Horário de aula

Tutorial de Python

• Tutorial de Python
• Introdução ao Python
• Início do Python
• Sintaxe do Python
• Comentários do Python
• Variáveis do Python
• Tipos de Dados do Python
• Números Python
• Casting do Python
• Strings do Python
• Booleano do Python
• Operadores do Python
• Listas do Python
• Tuplas do Python
• Conjuntos do Python
• Dicionários do Python
• If Else Python
• Loop While do Python
• Loop For do Python
• Funções do Python
• Lambda do Python
• Matrizes do Python
• Classes/objetos Python
• Herança do Python
• Iteração do Python
• Escopo do Python
• Módulos do Python
• Datas do Python
• JSON do Python
• RegEx do Python
• PIP do Python
• Try Except do Python
• Entrada de comandos Python
• Formatação de String do Python

Tratamento de arquivos

• Abertura de Arquivo do Python
• Leitura de Arquivo do Python
• Escrita/criação de arquivos Python
• Exclusão de Arquivo do Python

Python NumPy

• Introdução ao NumPy
• Início do NumPy
• Criação de Matrizes NumPy
• Índice de Matriz NumPy
• Corte de Matriz NumPy
• Tipos de Dados NumPy
• Cópia/Visão NumPy
• Forma da Matriz NumPy
• Reestruturação de Matriz NumPy
• Iteração de Matriz NumPy
• Conexão de Matrizes NumPy
• Divisão de Matrizes NumPy
• Pesquisa de Matriz NumPy
• Ordenação de Matriz NumPy
• Filtragem de Matriz NumPy
• Aleatório NumPy
• ufuncs NumPy

Aprendizado de máquina

• Introdução
• Padrão de média e mediana
• Desvio padrão
• Percentis
• Distribuição de dados
• Distribuição normal de dados
• Gráfico de dispersão
• Regressão linear
• Regressão polinomial
• Regressão Múltipla
• Escala
• Treinamento/TESTE
• Árvore de decisão

Python MySQL

• Introdução ao MySQL
• Criar banco de dados MySQL
• Criar tabela MySQL
• Inserir MySQL
• Selecionar MySQL
• Onde MySQL
• Classificar por MySQL
• Excluir MySQL
• Excluir tabela MySQL
• Atualizar MySQL
• Limitar MySQL
• Join MySQL

Python MongoDB

• Introdução ao MongoDB
• Criar banco de dados MongoDB
• Criar conjunto MongoDB
• Inserir MongoDB
• Encontrar MongoDB
• Consultar MongoDB
• Classificar MongoDB
• Excluir MongoDB
• Excluir conjunto MongoDB
• Atualizar MongoDB
• Limitar MongoDB

Manual de Referência Python

• Visão geral de referência do Python
• Funções internas do Python
• Métodos de string do Python
• Métodos de lista do Python
• Métodos de dicionário do Python
• Métodos de tupla do Python
• Métodos de conjunto do Python
• Métodos de arquivo do Python
• Palavras-chave do Python

Manual de referência do módulo

• Módulo aleatório
• Módulo de solicitação

Como fazer em Python

• Remover itens repetidos da lista
• Inverter string

Exemplo Python

• Exemplo Python
• Quiz Python

Disciplina eletiva

Recomendação de curso:

• Caixa de Ferramentas CodeW3C.com

Escala de características (Scale Features)

Quando seus dados têm valores diferentes, até mesmo com diferentes unidades de medida, pode ser difícil compará-los. Quanto os quilogramas são em comparação com os metros? Ou a altitude em comparação com o tempo?

A resposta para este problema é a escala. Podemos escalar os dados para novos valores fáceis de comparar.

Veja a tabela a seguir, que está relacionada aRegressão MúltiplaOs dados utilizados no capítulo um são os mesmos, mas desta vez, a coluna Volume contém unidades de litros, não ccm (1.0 em vez de 1000).

É difícil comparar o volume 1.0 com o peso 790, mas se os dois forem escalados para valores comparáveis, podemos facilmente ver quanta diferença há entre um valor e o outro.

Existem várias maneiras de escalar dados, neste tutorial, usaremos um método chamado normalização (standardization).

O método de normalização usa a seguinte fórmula:

z = (x - u) / s

onde z é o novo valor, x é o valor original, u é a média e s é a desvio padrão.

Se você obter os dados do conjunto acima weight Se a primeira coluna for 790, o valor escalado será:

(790 - 1292.23) / 238.74 = -2.1

Se você obter os dados do conjunto acima volume Se a primeira coluna for 1.0, o valor escalado será:

(1.0 - 1.61) / 0.38 = -1.59

Agora, você pode comparar -2.1 com -1.59, em vez de comparar 790 com 1.0.

Você não precisa executar essa operação manualmente, o módulo sklearn do Python tem um nome chamado StandardScaler() método, que retorna um objeto Scaler com o método de transformação de conjunto de dados.

Exemplo

Ajustar todos os valores das colunas Weight e Volume:

import pandas
from sklearn import linear_model
from sklearn.preprocessing import StandardScaler
scale = StandardScaler()
df = pandas.read_csv("cars2.csv")
X = df[['Weight', 'Volume']]
scaledX = scale.fit_transform(X)
print(scaledX)

Resultados:

Por favor, note que os dois primeiros valores são -2.1 e -1.59, correspondendo aos nossos cálculos:

[[-2.10389253  -1.59336644]]
 [-0.55407235  -1.07190106]
 [-1.52166278  -1.59336644]
 [-1.78973979  -1.85409913]
 [-0.63784641  -0.28970299]
 [-1.52166278  -1.59336644]
 [-0.76769621  -0.55043568]
 [ 0.3046118   -0.28970299]
 [-0.7551301   -0.28970299]
 [-0.59595938  -0.0289703 ]
 [-1.30803892  -1.33263375]
 [-1.26615189  -0.81116837]
 [-0.7551301   -1.59336644]
 [-0.16871166  -0.0289703 ]
 [ 0.14125238  -0.0289703 ]
 [ 0.15800719  -0.0289703 ]
 [ 0.3046118   -0.0289703 ]
 [-0.05142797  1.53542584]
 [-0.72580918  -0.0289703 ]
 [ 0.14962979  1.01396046]
 [ 1.2219378   -0.0289703 ]
 [ 0.5685001   1.01396046]
 [ 0.3046118   1.27469315]
 [ 0.51404696  -0.0289703 ]
 [ 0.51404696  1.01396046]
 [ 0.72348212  -0.28970299]
 [ 0.8281997   1.01396046]
 [ 1.81254495  1.01396046]
 [ 0.96642691  -0.0289703 ]
 [ 1.72877089  1.01396046]
 [ 1.30990057  1.27469315]
 [ 1.90050772  1.01396046]
 [-0.23991961  -0.0289703 ]
 [ 0.40932938  -0.0289703 ]
 [ 0.47215993  -0.0289703 ]
 [ 0.4302729   2.31762392]

Executar Exemplo

Prever o valor de CO2

Regressão MúltiplaA tarefa deste capítulo é prever a emissão de dióxido de carbono de um carro, sabendo apenas o peso e o volume do carro.

Após dimensionar o conjunto de dados, é necessário usar a proporção de dimensionamento ao calcular os valores preditos:

Exemplo

Prever a emissão de dióxido de carbono de um carro de 1.3 litros pesando 2300 kg:

import pandas
from sklearn import linear_model
from sklearn.preprocessing import StandardScaler
scale = StandardScaler()
df = pandas.read_csv("cars2.csv")
X = df[['Weight', 'Volume']]
y = df['CO2']
scaledX = scale.fit_transform(X)
regr = linear_model.LinearRegression()
regr.fit(scaledX, y)
scaled = scale.transform([[2300, 1.3]])
predictedCO2 = regr.predict([scaled[0]])
print(predictedCO2)

Resultados:

[107.2087328]

Executar Exemplo

Caixa de Ferramentas

Manual de Referência Python

Exemplo Python

Quiz Python

Link de Patrocinador