Redes neurais artificiais #09: Funções de perda - parte 1

Поделиться
HTML-код
  • Опубликовано: 9 ноя 2024

Комментарии • 12

  • @gustavodias5193
    @gustavodias5193 4 месяца назад +3

    MUITO BOM! conteúdo de qualidade e em português é raro encontrar. Já vou indicar para toda a turma!

    • @MLparahumanos
      @MLparahumanos  4 месяца назад +1

      Muito obrigado, Gustavo! 😃
      Isso aí! Indica para o pessoal hehe

  • @Mehmedll
    @Mehmedll 6 месяцев назад +2

    Tô acompanhando aqui a playlist e tô adorando, com certeza vou voltar aqui muitas vezes para revisar algo

    • @MLparahumanos
      @MLparahumanos  6 месяцев назад +1

      Que legal!! Fico feliz que esteja gostando! ❤️

  • @joao05rj
    @joao05rj 5 месяцев назад +1

    Excelente explicação, simples e direta!

  • @JOAGOSTINI
    @JOAGOSTINI Год назад +2

    Muito bom o vídeo e a didática. Parabéns.

  • @thaismartin12
    @thaismartin12 3 месяца назад +1

  • @ShimoriUta77
    @ShimoriUta77 10 месяцев назад +1

    Nao seria bom entao ter um peso maior nos outliers? Pq se os outliers sao valores erroneos ou infrequentes nao seria melhor dar um peso maior pra eles para a rede aprender a ignorar eles?

    • @MLparahumanos
      @MLparahumanos  10 месяцев назад +3

      Se damos um peso maior para eles a rede vai prever valores muito fora do padrão. A quase como se estivéssemos ensinando ela a errar. Embora existam casos em que queremos que ela encontre outliers, como na detecção de fraudes. Então no fundo depende muito do nosso objetivo.
      Abraços!
      @ShimoriUta77