Cê tá de brincadeira comigo! hahaha Eu tô em choque com a coincidência! Eu estava aqui fazendo meu trabalho de neurocomputação de boa, aí chegou a notificação do canal, pensei - "vô conferir". Resumo da ópera, eu tô aplicando MLP nesse dataset NESTE momento! hahahaha
Muito obrigada pelo seu video!!! nunca pensei que ia encontrar um material assim, explicado, por um Prof. Dr. assim de maneira detalhada e com base matemática. e Python. Parabens!! y muito obrigada, Obrigada Universo Discreto, abriu minha mente e uniu o que queria unir. Tudo de bom!! sim, vou enviar um presentinho, muito legal, de outras culturas. Valeu!!! Dr. Lucas
Qual e a diferença da rede mult perceptron e rede neural deep learning, to com uma duvida, ja que dizem que a mult perceptron tem um bug chato da rede explodir produzir numeros infinitos e tambem parar de treinar por calsa da derivada que reduz o valor e suporta no maximo 3 camadas. E pelo que vejo rede mult percepron parece ser identica a deep learning.
Muito boa sua colocação, neste caso utilizamos o perceptron multicamada(pm) no final, e antes o deep learning utilizando redes convolucionais e em seguida, redes de aglutinação, aí então o pm. Caso não utilizemos as rc e ra, o valor dos pesos serão estratosféricos, um exemplo: imagine 3 camadas de 784 neurônios é uma camada de saída de 10 neurônios (784x784x784x784x10=3.778.019.983.360 pesos)
Excelente vídeo. Quando eu ficar rico com ML mando um puta pix pra vc. Uma pergunta: Como a rede calcula a acurácia durante o treinamento se vc não deu o limiar onde ele escolhe 0 ou 1 para o output?
Tudo jóia? Obrigado! Se puder assistir os vídeos quando saírem e comentar, já ajuda muito. Sobre a pergunta, geralmente é usado o limiar padrão de 0,5. A saída de uma rede neural como essa do vídeo é uma probabilidade entre zero e um. A acurácia é calculada em cima disso, considerando esse limiar padrão. Abraço!
eu queria saber apenas uma dúvida, se eu quiser ler uma tabela nova que pode ter valores um pouco diferente da original, o standardscaler vai transformar ele baseado nos dados antigos ou apenas aplicar a função novamente neles?
se eu entendi bem sua pergunta, pra cada base de dados nova vc precisa aplicar o fit_transform() de novo. ele "treina" um objeto capaz de normalizar os dados. o objeto StandardScaler() pode até ser o mesmo, não precisa instanciar um novo não
@@UniversoDiscreto era basicamente isso mesmo, mesmo que o treinamento e a base nova tenham valores muito diferentes, a mudança vai surgir pouco efeito? Exemplo, no meu teste eu testei com taxas que variam entre 150 a 50, mas nos novos dados eles estão entre 500 a 400, ainda assim essa diferença após normalizar vai ser minimizada?:
@@Marcelo-tz6du os valores podem variar bastante pois ele "zera" em relação a média. É uma conta que envolve subtrair pela média e dividir pela variância cada amostra, algo assim. E o train test split ainda "embaralha" as amostras, podendo mudar MT o teste e treino
Parabéns pelo belíssimo trabalho. Mais um inscrito no canal!!!
Muito bom mesmo!!! Parabéns pelo trabalho exposto.
Muitíssimo obrigado
Cê tá de brincadeira comigo! hahaha
Eu tô em choque com a coincidência!
Eu estava aqui fazendo meu trabalho de neurocomputação de boa, aí chegou a notificação do canal, pensei - "vô conferir".
Resumo da ópera, eu tô aplicando MLP nesse dataset NESTE momento! hahahaha
hahahahahahaha tá brincando
dá um oi pra câmera, estou te vigiando =P
Seus videos são excelentes Lucas, muito obrigado por disponibliza-los no yt.
Nem assisti ao vídeo ainda, mas já dei like só pela organização da descrição, parabéns.
Dito isso, agora vou assistir rsrs
melhor conteúdo do youtube sobre redes neurais com toda a certeza
Amei a tua aula, logo do princípio, és excelentíssimo.
Parabéns pelo ótimo trabalho!
Que aula show
Vídeo excelente cara, muito obrigado! Me ajudou muito com o trabalho da faculdade e sua didática é foda man, parabéns!
Obrigado sempre pela disposição de passar conhecimento, sempre ajuda muito essas aulas em português ainda.
Cara! Tu me ajudou muito no meu tcc. Muito bom!
show de bola. otimas explicaçoes!
Muito obrigada pelo seu video!!! nunca pensei que ia encontrar um material assim, explicado, por um Prof. Dr. assim de maneira detalhada e com base matemática. e Python. Parabens!! y muito obrigada, Obrigada Universo Discreto, abriu minha mente e uniu o que queria unir. Tudo de bom!! sim, vou enviar um presentinho, muito legal, de outras culturas. Valeu!!! Dr. Lucas
Obrigado pelo carinho =)
Ótimas explicações! Obrigado!
gosto muito de ver vídeos programando, ajuda muito
Excelente aula! 👏🏼👏🏼
Parabéns pelos vídeos!
muito obrigado! ajudou mto de verdade.
excelente
aula boa, passa e você nem percebe que se foram uma hora
Posso estar enganado. Mas acredito que o z-score não normaliza os dados. A propósito, excelente aula.
Qual e a diferença da rede mult perceptron e rede neural deep learning, to com uma duvida, ja que dizem que a mult perceptron tem um bug chato da rede explodir produzir numeros infinitos e tambem parar de treinar por calsa da derivada que reduz o valor e suporta no maximo 3 camadas. E pelo que vejo rede mult percepron parece ser identica a deep learning.
Muito boa sua colocação, neste caso utilizamos o perceptron multicamada(pm) no final, e antes o deep learning utilizando redes convolucionais e em seguida, redes de aglutinação, aí então o pm. Caso não utilizemos as rc e ra, o valor dos pesos serão estratosféricos, um exemplo: imagine 3 camadas de 784 neurônios é uma camada de saída de 10 neurônios (784x784x784x784x10=3.778.019.983.360 pesos)
@@fabianosantana2357 É imagina uma rede desse tamanho, acho que nunca iria aprender porque iria torrar o computador antes, eu tentei fazer uma rede do zero com java script e o maior problema além da instabilidade e a taxa de aprendizagem, se a taxa for alta de mais a rede explode e se for baixa de mais a rede demora a calcular, basicamente para tentar contornar esse problema acabei reduzindo uma fração da taxa de aprendizagem a cada explosão, e reiniciava o calculo do zero.
Exemplo uma rede para XNOR com 2 camadas ocultas:
def LRelu(value):
return max(value,value*0.1)
def Linear(value):
return value
def Rede(input):
x = input
camada1 = [0,0]
camada2 = [0]
camada1[0] = LRelu((x[0] * 1.1963943945988964)+(x[1] * -2.2891299183900764)+(2.289161325669511))
camada1[1] = LRelu((x[0] * 1.9394895637234917)+(x[1] * -2.9188329706549516)+(0.9876820266284383))
camada2[0] = Linear((camada1[0] * -1.0132227616638183)+(camada1[1] * 1.1321663282856993)+(1.2088385065264189))
return camada2
Ou uma rede para XNOR com 5 camadas ocultas de 3 neuronio:
def Rede(input):
x = input
camada1 = [0,0,0]
camada2 = [0,0,0]
camada3 = [0,0,0]
camada4 = [0,0,0]
camada5 = [0,0,0]
camada6 = [0]
camada1[0] = LRelu((x[0] * 1.1448775840076473)+(x[1] * -1.6078377130925017)+(0.8580728088182978))
camada1[1] = LRelu((x[0] * 0.9095601211199668)+(x[1] * -0.13113147028744954)+(0.20678793069539747))
camada1[2] = LRelu((x[0] * 0.858452652774856)+(x[1] * -0.1742875863748043)+(0.143477742195115))
camada2[0] = LRelu((camada1[0] * 1.3571346012179406)+(camada1[1] * 0.28788669372152764)+(camada1[2] * 0.32966402167270775)+(0.2189920214785659))
camada2[1] = LRelu((camada1[0] * 1.3948793429346353)+(camada1[1] * 0.33977692856111774)+(camada1[2] * 0.4563666484630919)+(0.668967834856637))
camada2[2] = LRelu((camada1[0] * 0.7875668681125051)+(camada1[1] * 0.12124747511736403)+(camada1[2] * 0.05896550436311628)+(0.4315459176940251))
camada3[0] = LRelu((camada2[0] * 0.9623654690547646)+(camada2[1] * 0.8835370514579622)+(camada2[2] * 0.6599944635416627)+(0.44527218166575583))
camada3[1] = LRelu((camada2[0] * 0.5195099529345267)+(camada2[1] * 0.4931599527332543)+(camada2[2] * 0.8920050262671944)+(0.3483627688439634))
camada3[2] = LRelu((camada2[0] * 0.7671883403490718)+(camada2[1] * 0.770689186561994)+(camada2[2] * 0.29776960093323757)+(0.131897270886586))
camada4[0] = LRelu((camada3[0] * 0.6315310037621974)+(camada3[1] * 0.7046785709687089)+(camada3[2] * 0.7298628229341767)+(0.4800946629198886))
camada4[1] = LRelu((camada3[0] * 0.6820750072456667)+(camada3[1] * 0.24656189848605348)+(camada3[2] * 1.0701771934096351)+(0.01752137400543766))
camada4[2] = LRelu((camada3[0] * 0.33469851430601194)+(camada3[1] * 0.8214021697073297)+(camada3[2] * 0.7310812292898901)+(0.2619497826884738))
camada5[0] = LRelu((camada4[0] * 0.5186805609082911)+(camada4[1] * 0.7214649544620108)+(camada4[2] * 0.2722611060811708)+(0.19205678763422626))
camada5[1] = LRelu((camada4[0] * 0.1544245374648939)+(camada4[1] * -0.3325195850026798)+(camada4[2] * -0.08244660586604363)+(1.6333353757497115))
camada5[2] = LRelu((camada4[0] * 0.8751096656558327)+(camada4[1] * 1.0633026573905286)+(camada4[2] * 0.3835623963055925)+(0.22115677022272492))
camada6[0] = Linear((camada5[0] * 0.036113637599298344)+(camada5[1] * 1.5157816886408022)+(camada5[2] * 0.04758158764759078)+(-1.195980937412686))
return camada6
@@holandonhdunto6808 isso é fascinante naum? Parabéns pelo trabalho
Excelente vídeo. Quando eu ficar rico com ML mando um puta pix pra vc. Uma pergunta: Como a rede calcula a acurácia durante o treinamento se vc não deu o limiar onde ele escolhe 0 ou 1 para o output?
Tudo jóia? Obrigado! Se puder assistir os vídeos quando saírem e comentar, já ajuda muito.
Sobre a pergunta, geralmente é usado o limiar padrão de 0,5. A saída de uma rede neural como essa do vídeo é uma probabilidade entre zero e um. A acurácia é calculada em cima disso, considerando esse limiar padrão.
Abraço!
@@UniversoDiscreto já virei fã de carteirinha do canal. Vou comentar e curtir sempre que possível. Obrigado pela resposta ❤️❤️
eu queria saber apenas uma dúvida, se eu quiser ler uma tabela nova que pode ter valores um pouco diferente da original, o standardscaler vai transformar ele baseado nos dados antigos ou apenas aplicar a função novamente neles?
se eu entendi bem sua pergunta, pra cada base de dados nova vc precisa aplicar o fit_transform() de novo. ele "treina" um objeto capaz de normalizar os dados. o objeto StandardScaler() pode até ser o mesmo, não precisa instanciar um novo não
@@UniversoDiscreto era basicamente isso mesmo, mesmo que o treinamento e a base nova tenham valores muito diferentes, a mudança vai surgir pouco efeito? Exemplo, no meu teste eu testei com taxas que variam entre 150 a 50, mas nos novos dados eles estão entre 500 a 400, ainda assim essa diferença após normalizar vai ser minimizada?:
@@Marcelo-tz6du eu não entendi oq vc chamou de taxa. São os valores da base de dados? As colunas do dataframe?
Sim, são os valores da coluna, mas com valores bem diferentes entre dados de teste e o novo dado para previsão
@@Marcelo-tz6du os valores podem variar bastante pois ele "zera" em relação a média. É uma conta que envolve subtrair pela média e dividir pela variância cada amostra, algo assim. E o train test split ainda "embaralha" as amostras, podendo mudar MT o teste e treino
o algoritmo do backpropagation foi criado em 1974 por PAUL J. WERBOS e não em 1986.
🤍🇨🇭🇧🇷
quero ver quem deu esse 1 dislike!!!