chore(i18n,curriculum): update translations (#42969)
This commit is contained in:
camperbot
GitHub
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e9a0e9ef99a403d019610cc
|
||||
title: Deep Learning Demystified
|
||||
title: Aprendizado profundo desmistificado
|
||||
challengeType: 11
|
||||
videoId: bejQ-W9BGJg
|
||||
dashedName: deep-learning-demystified
|
||||
@ -10,23 +10,23 @@ dashedName: deep-learning-demystified
|
||||
|
||||
## --text--
|
||||
|
||||
How should you assign weights to input neurons before training your network for the first time?
|
||||
Como você deve atribuir pesos para inserir neurônios antes de treinar sua rede pela primeira vez?
|
||||
|
||||
## --answers--
|
||||
|
||||
From smallest to largest.
|
||||
De menor para maior.
|
||||
|
||||
---
|
||||
|
||||
Completely randomly.
|
||||
De modo completamente aleatório.
|
||||
|
||||
---
|
||||
|
||||
Alphabetically.
|
||||
Alfabeticamente.
|
||||
|
||||
---
|
||||
|
||||
None of the above.
|
||||
Nenhuma das anteriores.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e9a0e9ef99a403d019610cd
|
||||
title: How Convolutional Neural Networks work
|
||||
title: Como funcionam as Redes Neurais Convolucionais
|
||||
challengeType: 11
|
||||
videoId: Y5M7KH4A4n4
|
||||
dashedName: how-convolutional-neural-networks-work
|
||||
@ -10,19 +10,19 @@ dashedName: how-convolutional-neural-networks-work
|
||||
|
||||
## --text--
|
||||
|
||||
When are Convolutional Neural Networks not useful?
|
||||
Quando as redes neurais convolucionais não são úteis?
|
||||
|
||||
## --answers--
|
||||
|
||||
If your data can't be made to look like an image, or if you can rearrange elements of your data and it's still just as useful.
|
||||
Se os dados não puderem parecer com uma imagem, ou se você puder reorganizar os elementos dos dados e ainda assim eles continuarem com a mesma utilidade.
|
||||
|
||||
---
|
||||
|
||||
If your data is made up of different 2D or 3D images.
|
||||
Se seus dados forem compostos por diferentes imagens 2D ou 3D.
|
||||
|
||||
---
|
||||
|
||||
If your data is text or sound based.
|
||||
Se seus dados forem baseados em texto ou som.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e9a0e9ef99a403d019610ca
|
||||
title: How Deep Neural Networks Work
|
||||
title: Como as redes neurais profundas funcionam
|
||||
challengeType: 11
|
||||
videoId: zvalnHWGtx4
|
||||
dashedName: how-deep-neural-networks-work
|
||||
@ -10,19 +10,19 @@ dashedName: how-deep-neural-networks-work
|
||||
|
||||
## --text--
|
||||
|
||||
Why is it better to calculate the gradient (slope) directly rather than numerically?
|
||||
Por que é melhor calcular o gradiente (curva) diretamente ao invés de numericamente?
|
||||
|
||||
## --answers--
|
||||
|
||||
It is computationally expensive to go back through the entire neural network and adjust the weights for each layer of the neural network.
|
||||
É computacionalmente caro voltar através de toda a rede neural e ajustar os pesos para cada camada da rede neural.
|
||||
|
||||
---
|
||||
|
||||
It is more accurate.
|
||||
É mais preciso.
|
||||
|
||||
---
|
||||
|
||||
There is no difference between the two methods.
|
||||
Não existe qualquer diferença entre os dois métodos.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e9a0e9ef99a403d019610cb
|
||||
title: Recurrent Neural Networks RNN and Long Short Term Memory LSTM
|
||||
title: Redes neurais recorrentes RNN e a memória de curto e longo prazo LSTM
|
||||
challengeType: 11
|
||||
videoId: UVimlsy9eW0
|
||||
dashedName: recurrent-neural-networks-rnn-and-long-short-term-memory-lstm
|
||||
@ -10,19 +10,19 @@ dashedName: recurrent-neural-networks-rnn-and-long-short-term-memory-lstm
|
||||
|
||||
## --text--
|
||||
|
||||
What are the main neural network components that make up a Long Short Term Memory network?
|
||||
Quais são os principais componentes de rede neural que compõem uma rede de memória de longo e curto prazo?
|
||||
|
||||
## --answers--
|
||||
|
||||
New information and prediction.
|
||||
Novas informações e previsão.
|
||||
|
||||
---
|
||||
|
||||
Prediction, collected possibilities, and selection.
|
||||
Previsão, possibilidades coletadas e seleção.
|
||||
|
||||
---
|
||||
|
||||
Prediction, ignoring, forgetting, and selection.
|
||||
Previsão, capacidade de ignorar, capacidade de esquecer e seleção.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e46f8e3ac417301a38fb92f
|
||||
title: Book Recommendation Engine using KNN
|
||||
title: Mecanismo de recomendação de livros usando KNN
|
||||
challengeType: 10
|
||||
forumTopicId: 462378
|
||||
dashedName: book-recommendation-engine-using-knn
|
||||
@ -8,19 +8,19 @@ dashedName: book-recommendation-engine-using-knn
|
||||
|
||||
# --description--
|
||||
|
||||
In this challenge, you will create a book recommendation algorithm using K-Nearest Neighbors.
|
||||
Neste desafio, você criará um algoritmo de recomendação de livros usando os vizinhos K-mais próximos.
|
||||
|
||||
You will use the Book-Crossings dataset. This dataset contains 1.1 million ratings (scale of 1-10) of 270,000 books by 90,000 users.
|
||||
Você usará o conjunto de dados do Book-Crossings. Este conjunto de dados contém 1,1 milhão de classificações (na escala de 1-10) de 270.000 livros por 90.000 usuários.
|
||||
|
||||
You can access [the full project instructions and starter code on Google Colaboratory](https://colab.research.google.com/github/freeCodeCamp/boilerplate-book-recommendation-engine/blob/master/fcc_book_recommendation_knn.ipynb).
|
||||
Você pode acessar [as instruções completas do projeto e o código inicial no Google Colaboratory](https://colab.research.google.com/github/freeCodeCamp/boilerplate-book-recommendation-engine/blob/master/fcc_book_recommendation_knn.ipynb).
|
||||
|
||||
After going to that link, create a copy of the notebook either in your own account or locally. Once you complete the project and it passes the test (included at that link), submit your project link below. If you are submitting a Google Colaboratory link, make sure to turn on link sharing for "anyone with the link."
|
||||
Depois de acessar esse link, crie uma cópia do notebook em sua própria conta ou localmente. Depois que você completar o projeto e que ele passar pelo teste (incluído nesse link), envie o link do projeto abaixo. Se você estiver enviando um link do Google Colaboratory, certifique-se de ativar o compartilhamento de links para "qualquer um que tenha o link".
|
||||
|
||||
We are still developing the interactive instructional content for the machine learning curriculum. For now, you can go through the video challenges in this certification. You may also have to seek out additional learning resources, similar to what you would do when working on a real-world project.
|
||||
Ainda estamos desenvolvendo o conteúdo instrucional interativo do currículo de aprendizagem de máquina. Por enquanto, você pode ver os desafios de vídeo desta certificação. Você também pode ter que procurar recursos adicionais de aprendizagem, do mesmo modo que você faria ao trabalhar em um projeto do mundo real.
|
||||
|
||||
# --hints--
|
||||
|
||||
It should pass all Python tests.
|
||||
Ele deve passar em todos os testes do Python.
|
||||
|
||||
```js
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e46f8dcac417301a38fb92e
|
||||
title: Cat and Dog Image Classifier
|
||||
title: Classificador de imagens de gatos e cachorros
|
||||
challengeType: 10
|
||||
forumTopicId: 462377
|
||||
dashedName: cat-and-dog-image-classifier
|
||||
@ -8,17 +8,17 @@ dashedName: cat-and-dog-image-classifier
|
||||
|
||||
# --description--
|
||||
|
||||
For this challenge, you will use TensorFlow 2.0 and Keras to create a convolutional neural network that correctly classifies images of cats and dogs with at least 63% accuracy.
|
||||
Para este desafio, você usará o TensorFlow 2.0 e o Keras para criar uma rede neural convolucional que classifique corretamente imagens de gatos e cães com, pelo menos, 63% de precisão.
|
||||
|
||||
You can access [the full project instructions and starter code on Google Colaboratory](https://colab.research.google.com/github/freeCodeCamp/boilerplate-cat-and-dog-image-classifier/blob/master/fcc_cat_dog.ipynb).
|
||||
Você pode acessar [as instruções completas do projeto e o código inicial no Google Colaboratory](https://colab.research.google.com/github/freeCodeCamp/boilerplate-cat-and-dog-image-classifier/blob/master/fcc_cat_dog.ipynb).
|
||||
|
||||
After going to that link, create a copy of the notebook either in your own account or locally. Once you complete the project and it passes the test (included at that link), submit your project link below. If you are submitting a Google Colaboratory link, make sure to turn on link sharing for "anyone with the link."
|
||||
Depois de acessar esse link, crie uma cópia do notebook em sua própria conta ou localmente. Depois que você completar o projeto e que ele passar pelo teste (incluído nesse link), envie o link do projeto abaixo. Se você estiver enviando um link do Google Colaboratory, certifique-se de ativar o compartilhamento de links para "qualquer um que tenha o link".
|
||||
|
||||
We are still developing the interactive instructional content for the machine learning curriculum. For now, you can go through the video challenges in this certification. You may also have to seek out additional learning resources, similar to what you would do when working on a real-world project.
|
||||
Ainda estamos desenvolvendo o conteúdo instrucional interativo do currículo de aprendizagem de máquina. Por enquanto, você pode ver os desafios de vídeo desta certificação. Você também pode ter que procurar recursos adicionais de aprendizagem, do mesmo modo que você faria ao trabalhar em um projeto do mundo real.
|
||||
|
||||
# --hints--
|
||||
|
||||
It should pass all Python tests.
|
||||
Ele deve passar em todos os testes do Python.
|
||||
|
||||
```js
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e46f8edac417301a38fb930
|
||||
title: Linear Regression Health Costs Calculator
|
||||
title: Calculadora de custos de saúde de regressão linear
|
||||
challengeType: 10
|
||||
forumTopicId: 462379
|
||||
dashedName: linear-regression-health-costs-calculator
|
||||
@ -8,19 +8,19 @@ dashedName: linear-regression-health-costs-calculator
|
||||
|
||||
# --description--
|
||||
|
||||
In this challenge, you will predict healthcare costs using a regression algorithm.
|
||||
Neste desafio, você preverá os custos de saúde usando um algoritmo de regressão.
|
||||
|
||||
You are given a dataset that contains information about different people including their healthcare costs. Use the data to predict healthcare costs based on new data.
|
||||
Você recebe um conjunto de dados que contém informações sobre diferentes pessoas, incluindo seus custos de saúde. Use os dados para prever custos de saúde com base em novos dados.
|
||||
|
||||
You can access [the full project instructions and starter code on Google Colaboratory](https://colab.research.google.com/github/freeCodeCamp/boilerplate-linear-regression-health-costs-calculator/blob/master/fcc_predict_health_costs_with_regression.ipynb).
|
||||
Você pode acessar [as instruções completas do projeto e o código inicial no Google Colaboratory](https://colab.research.google.com/github/freeCodeCamp/boilerplate-linear-regression-health-costs-calculator/blob/master/fcc_predict_health_costs_with_regression.ipynb).
|
||||
|
||||
After going to that link, create a copy of the notebook either in your own account or locally. Once you complete the project and it passes the test (included at that link), submit your project link below. If you are submitting a Google Colaboratory link, make sure to turn on link sharing for "anyone with the link."
|
||||
Depois de acessar esse link, crie uma cópia do notebook em sua própria conta ou localmente. Depois que você completar o projeto e que ele passar pelo teste (incluído nesse link), envie o link do projeto abaixo. Se você estiver enviando um link do Google Colaboratory, certifique-se de ativar o compartilhamento de links para "qualquer um que tenha o link".
|
||||
|
||||
We are still developing the interactive instructional content for the machine learning curriculum. For now, you can go through the video challenges in this certification. You may also have to seek out additional learning resources, similar to what you would do when working on a real-world project.
|
||||
Ainda estamos desenvolvendo o conteúdo instrucional interativo do currículo de aprendizagem de máquina. Por enquanto, você pode ver os desafios de vídeo desta certificação. Você também pode ter que procurar recursos adicionais de aprendizagem, do mesmo modo que você faria ao trabalhar em um projeto do mundo real.
|
||||
|
||||
# --hints--
|
||||
|
||||
It should pass all Python tests.
|
||||
Ele deve passar em todos os testes do Python.
|
||||
|
||||
```js
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e46f8edac417301a38fb931
|
||||
title: Neural Network SMS Text Classifier
|
||||
title: Classificador de texto SMS baseado em rede neural
|
||||
challengeType: 10
|
||||
forumTopicId: 462380
|
||||
dashedName: neural-network-sms-text-classifier
|
||||
@ -8,17 +8,17 @@ dashedName: neural-network-sms-text-classifier
|
||||
|
||||
# --description--
|
||||
|
||||
In this challenge, you need to create a machine learning model that will classify SMS messages as either "ham" or "spam". A "ham" message is a normal message sent by a friend. A "spam" message is an advertisement or a message sent by a company.
|
||||
Neste desafio, você precisa criar um modelo de aprendizagem de máquina que classificará as mensagens de SMS como "ham" ou "spam". Uma mensagem de "ham" é uma mensagem normal enviada por um amigo. Uma mensagem de "spam" é um anúncio ou uma mensagem enviada por uma empresa.
|
||||
|
||||
You can access [the full project instructions and starter code on Google Colaboratory](https://colab.research.google.com/github/freeCodeCamp/boilerplate-neural-network-sms-text-classifier/blob/master/fcc_sms_text_classification.ipynb).
|
||||
Você pode acessar [as instruções completas do projeto e o código inicial no Google Colaboratory](https://colab.research.google.com/github/freeCodeCamp/boilerplate-neural-network-sms-text-classifier/blob/master/fcc_sms_text_classification.ipynb).
|
||||
|
||||
After going to that link, create a copy of the notebook either in your own account or locally. Once you complete the project and it passes the test (included at that link), submit your project link below. If you are submitting a Google Colaboratory link, make sure to turn on link sharing for "anyone with the link."
|
||||
Depois de acessar esse link, crie uma cópia do notebook em sua própria conta ou localmente. Depois que você completar o projeto e que ele passar pelo teste (incluído nesse link), envie o link do projeto abaixo. Se você estiver enviando um link do Google Colaboratory, certifique-se de ativar o compartilhamento de links para "qualquer um que tenha o link".
|
||||
|
||||
We are still developing the interactive instructional content for the machine learning curriculum. For now, you can go through the video challenges in this certification. You may also have to seek out additional learning resources, similar to what you would do when working on a real-world project.
|
||||
Ainda estamos desenvolvendo o conteúdo instrucional interativo do currículo de aprendizagem de máquina. Por enquanto, você pode ver os desafios de vídeo desta certificação. Você também pode ter que procurar recursos adicionais de aprendizagem, do mesmo modo que você faria ao trabalhar em um projeto do mundo real.
|
||||
|
||||
# --hints--
|
||||
|
||||
It should pass all Python tests.
|
||||
Ele deve passar em todos os testes do Python.
|
||||
|
||||
```js
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e46f8d6ac417301a38fb92d
|
||||
title: Rock Paper Scissors
|
||||
title: Pedra, papel ou tesoura
|
||||
challengeType: 10
|
||||
forumTopicId: 462376
|
||||
dashedName: rock-paper-scissors
|
||||
@ -8,17 +8,17 @@ dashedName: rock-paper-scissors
|
||||
|
||||
# --description--
|
||||
|
||||
For this challenge, you will create a program to play Rock, Paper, Scissors. A program that picks at random will usually win 50% of the time. To pass this challenge your program must play matches against four different bots, winning at least 60% of the games in each match.
|
||||
Para este desafio, você criará um programa para jogar Pedra, Papel e Tesoura. Um programa que escolhe aleatoriamente geralmente ganha 50% das vezes. Para passar neste desafio, o programa deve jogar partidas contra quatro bots diferentes, ganhando pelo menos 60% dos jogos em cada partida.
|
||||
|
||||
You can access [the full project description and starter code on Replit](https://replit.com/github/freeCodeCamp/boilerplate-rock-paper-scissors).
|
||||
Você pode acessar [a descrição completa do projeto e o código inicial no Replit](https://replit.com/github/freeCodeCamp/boilerplate-rock-paper-scissors).
|
||||
|
||||
After going to that link, fork the project. Once you complete the project based on the instructions in 'README.md', submit your project link below.
|
||||
Depois de ir para esse link, faça fork no projeto. Depois que você completar o projeto com base nas instruções do 'README.md', envie o link do seu projeto abaixo.
|
||||
|
||||
We are still developing the interactive instructional part of the machine learning curriculum. For now, you will have to use other resources to learn how to pass this challenge.
|
||||
Ainda estamos desenvolvendo a parte instrucional interativa do currículo de aprendizagem de máquina. Por enquanto, você terá que usar outros recursos para aprender a vencer este desafio.
|
||||
|
||||
# --hints--
|
||||
|
||||
It should pass all Python tests.
|
||||
Ele deve passar em todos os testes do Python.
|
||||
|
||||
```js
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72da6
|
||||
title: Conclusion
|
||||
title: Conclusão
|
||||
challengeType: 11
|
||||
videoId: LMNub5frQi4
|
||||
dashedName: conclusion
|
||||
@ -10,19 +10,19 @@ dashedName: conclusion
|
||||
|
||||
## --text--
|
||||
|
||||
Most people that are experts in AI or machine learning usually...:
|
||||
A maioria das pessoas que são especialistas em IA ou em aprendizagem de máquina normalmente...:
|
||||
|
||||
## --answers--
|
||||
|
||||
have one specialization.
|
||||
tem uma especialização.
|
||||
|
||||
---
|
||||
|
||||
have many specializations.
|
||||
tem muitas especializações.
|
||||
|
||||
---
|
||||
|
||||
have a deep understanding of many different frameworks.
|
||||
compreendem profundamente muitos frameworks diferentes.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d99
|
||||
title: 'Convolutional Neural Networks: Evaluating the Model'
|
||||
title: 'Redes neurais convolucionais: avaliando o modelo'
|
||||
challengeType: 11
|
||||
videoId: eCATNvwraXg
|
||||
dashedName: convolutional-neural-networks-evaluating-the-model
|
||||
@ -10,19 +10,19 @@ dashedName: convolutional-neural-networks-evaluating-the-model
|
||||
|
||||
## --text--
|
||||
|
||||
What is **not** a good way to increase the accuracy of a convolutional neural network?
|
||||
Qual destas **não** é uma boa maneira de aumentar a precisão de uma rede neural convolucional?
|
||||
|
||||
## --answers--
|
||||
|
||||
Augmenting the data you already have.
|
||||
Aumentar os dados que você já tem.
|
||||
|
||||
---
|
||||
|
||||
Using a pre-trained model.
|
||||
Usar um modelo pré-treinado.
|
||||
|
||||
---
|
||||
|
||||
Using your test data to retrain the model.
|
||||
Usar seus dados de teste para treinar o modelo novamente.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d9a
|
||||
title: 'Convolutional Neural Networks: Picking a Pretrained Model'
|
||||
title: 'Redes neurais convolucionais: Escolhendo um modelo pré-treinado'
|
||||
challengeType: 11
|
||||
videoId: h1XUt1AgIOI
|
||||
dashedName: convolutional-neural-networks-picking-a-pretrained-model
|
||||
@ -10,7 +10,7 @@ dashedName: convolutional-neural-networks-picking-a-pretrained-model
|
||||
|
||||
## --text--
|
||||
|
||||
Fill in the blanks below to use Google's pre-trained MobileNet V2 model as a base for a convolutional neural network:
|
||||
Preencha os espaços em branco abaixo para usar o modelo MobileNet V2 pré-treinado do Google como base para uma rede neural convolucional:
|
||||
|
||||
```py
|
||||
base_model = tf.__A__.applications.__B__(input_shape=(160, 160, 3),
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d97
|
||||
title: 'Convolutional Neural Networks: The Convolutional Layer'
|
||||
title: 'Redes Neurais Convolucionais: A camada convolucional'
|
||||
challengeType: 11
|
||||
videoId: LrdmcQpTyLw
|
||||
dashedName: convolutional-neural-networks-the-convolutional-layer
|
||||
@ -10,19 +10,19 @@ dashedName: convolutional-neural-networks-the-convolutional-layer
|
||||
|
||||
## --text--
|
||||
|
||||
What are the three main properties of each convolutional layer?
|
||||
Quais são as três propriedades principais de cada camada convolucional?
|
||||
|
||||
## --answers--
|
||||
|
||||
Input size, the number of filters, and the sample size of the filters.
|
||||
Tamanho de entrada, o número de filtros e o tamanho da amostra dos filtros.
|
||||
|
||||
---
|
||||
|
||||
Input size, input dimensions, and the color values of the input.
|
||||
Tamanho de entrada, dimensões de entrada e os valores de cor da entrada.
|
||||
|
||||
---
|
||||
|
||||
Input size, input padding, and stride.
|
||||
Tamanho de entrada, preenchimento de entrada e distância do passo.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d96
|
||||
title: Convolutional Neural Networks
|
||||
title: Redes Neurais Convolucionais
|
||||
challengeType: 11
|
||||
videoId: _1kTP7uoU9E
|
||||
dashedName: convolutional-neural-networks
|
||||
@ -10,19 +10,19 @@ dashedName: convolutional-neural-networks
|
||||
|
||||
## --text--
|
||||
|
||||
Dense neural networks analyze input on a global scale and recognize patterns in specific areas. Convolutional neural networks...:
|
||||
As redes neurais densas analisam a entrada em uma escala global e reconhecem padrões em áreas específicas. Redes Neurais Convolucionais...:
|
||||
|
||||
## --answers--
|
||||
|
||||
also analyze input globally and extract features from specific areas.
|
||||
também analisam entradas globalmente e extraem recursos de áreas específicas.
|
||||
|
||||
---
|
||||
|
||||
do not work well for image classification or object detection.
|
||||
não funcionam bem para a classificação de imagens ou para a detecção de objetos.
|
||||
|
||||
---
|
||||
|
||||
scan through the entire input a little at a time and learn local patterns.
|
||||
escaneiam a entrada inteira um pouco por vez e aprendem os padrões locais.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d8e
|
||||
title: 'Core Learning Algorithms: Building the Model'
|
||||
title: 'Algoritmos de aprendizagem principais: construindo o modelo'
|
||||
challengeType: 11
|
||||
videoId: 5wHw8BTd2ZQ
|
||||
dashedName: core-learning-algorithms-building-the-model
|
||||
@ -10,7 +10,7 @@ dashedName: core-learning-algorithms-building-the-model
|
||||
|
||||
## --text--
|
||||
|
||||
What kind of estimator/model does TensorFlow recommend using for classification?
|
||||
Que tipo de estimador/modelo o TensorFlow recomenda usar para classificação?
|
||||
|
||||
## --answers--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d8d
|
||||
title: 'Core Learning Algorithms: Classification'
|
||||
title: 'Algoritmos de aprendizagem principais: classificação'
|
||||
challengeType: 11
|
||||
videoId: qFF7ZQNvK9E
|
||||
dashedName: core-learning-algorithms-classification
|
||||
@ -10,19 +10,19 @@ dashedName: core-learning-algorithms-classification
|
||||
|
||||
## --text--
|
||||
|
||||
What is classification?
|
||||
O que é classificação?
|
||||
|
||||
## --answers--
|
||||
|
||||
The process of separating data points into different classes.
|
||||
O processo de separação dos pontos de dados em diferentes classes.
|
||||
|
||||
---
|
||||
|
||||
Predicting a numeric value or forecast based on independent and dependent variables.
|
||||
A previsão de um valor numérico ou previsão baseada em variáveis dependentes e independentes.
|
||||
|
||||
---
|
||||
|
||||
None of the above.
|
||||
Nenhuma das anteriores.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d8f
|
||||
title: 'Core Learning Algorithms: Clustering'
|
||||
title: 'Algoritmos de aprendizagem principais: agrupamento em clusters'
|
||||
challengeType: 11
|
||||
videoId: 8sqIaHc9Cz4
|
||||
dashedName: core-learning-algorithms-clustering
|
||||
@ -10,27 +10,27 @@ dashedName: core-learning-algorithms-clustering
|
||||
|
||||
## --text--
|
||||
|
||||
Which of the following steps is **not** part of the K-Means algorithm?
|
||||
Qual das seguintes etapas **não** faz parte do algoritmo de médias-K?
|
||||
|
||||
## --answers--
|
||||
|
||||
Randomly pick K points to place K centeroids.
|
||||
Escolher aleatoriamente K pontos para colocar centroides K.
|
||||
|
||||
---
|
||||
|
||||
Assign each K point to the closest K centeroid.
|
||||
Atribuir cada ponto K para o centroide K mais próximo.
|
||||
|
||||
---
|
||||
|
||||
Move each K centeroid into the middle of all of their data points.
|
||||
Mover cada centroide K para o meio de todos os seus pontos de dados.
|
||||
|
||||
---
|
||||
|
||||
Shuffle the K points so they're redistributed randomly.
|
||||
Embaralhe os pontos K para que sejam redistribuídos aleatoriamente.
|
||||
|
||||
---
|
||||
|
||||
Reassign each K point to the closest K centeroid.
|
||||
Reatribua cada ponto K para o centeroide K mais próximo.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d90
|
||||
title: 'Core Learning Algorithms: Hidden Markov Models'
|
||||
title: 'Algoritmos de aprendizagem principais: modelos de Markov ocultos'
|
||||
challengeType: 11
|
||||
videoId: IZg24y4wEPY
|
||||
dashedName: core-learning-algorithms-hidden-markov-models
|
||||
@ -10,19 +10,19 @@ dashedName: core-learning-algorithms-hidden-markov-models
|
||||
|
||||
## --text--
|
||||
|
||||
What makes a Hidden Markov model different than linear regression or classification?
|
||||
O que torna um modelo de Markov oculto diferente da regressão linear ou da classificação?
|
||||
|
||||
## --answers--
|
||||
|
||||
It uses probability distributions to predict future events or states.
|
||||
Ele usa distribuições de probabilidade para prever eventos ou estados futuros.
|
||||
|
||||
---
|
||||
|
||||
It analyzes the relationship between independent and dependent variables to make predictions.
|
||||
Ele analisa a relação entre variáveis dependentes e independentes para fazer previsões.
|
||||
|
||||
---
|
||||
|
||||
It separates data points into separate categories.
|
||||
Ele separa pontos de dados em categorias separadas.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d8c
|
||||
title: 'Core Learning Algorithms: The Training Process'
|
||||
title: 'Algoritmos de aprendizagem principais: o processo de treinamento'
|
||||
challengeType: 11
|
||||
videoId: _cEwvqVoBhI
|
||||
dashedName: core-learning-algorithms-the-training-process
|
||||
@ -10,19 +10,19 @@ dashedName: core-learning-algorithms-the-training-process
|
||||
|
||||
## --text--
|
||||
|
||||
What are epochs?
|
||||
O que são epochs?
|
||||
|
||||
## --answers--
|
||||
|
||||
The number of times the model will see the same data.
|
||||
O número de vezes que o modelo verá os mesmos dados.
|
||||
|
||||
---
|
||||
|
||||
A type of graph.
|
||||
Um tipo de gráfico.
|
||||
|
||||
---
|
||||
|
||||
The number of elements you feed to the model at once.
|
||||
O número de elementos que você alimenta no modelo de uma só vez.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d8b
|
||||
title: 'Core Learning Algorithms: Training and Testing Data'
|
||||
title: 'Algoritmos de aprendizagem principais: dados de treinamento e de teste'
|
||||
challengeType: 11
|
||||
videoId: wz9J1slsi7I
|
||||
dashedName: core-learning-algorithms-training-and-testing-data
|
||||
@ -10,19 +10,19 @@ dashedName: core-learning-algorithms-training-and-testing-data
|
||||
|
||||
## --text--
|
||||
|
||||
What is categorical data?
|
||||
O que são dados categóricos?
|
||||
|
||||
## --answers--
|
||||
|
||||
Another term for one-hot encoding.
|
||||
Outro termo para codificação one-hot.
|
||||
|
||||
---
|
||||
|
||||
Any data that is not numeric.
|
||||
Qualquer dado não numérico.
|
||||
|
||||
---
|
||||
|
||||
Any data that is represented numerically.
|
||||
Qualquer dado representado numericamente.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d91
|
||||
title: 'Core Learning Algorithms: Using Probabilities to make Predictions'
|
||||
title: 'Algoritmos de aprendizagem principais: usando Probabilidades para fazer previsões'
|
||||
challengeType: 11
|
||||
videoId: fYAYvLUawnc
|
||||
dashedName: core-learning-algorithms-using-probabilities-to-make-predictions
|
||||
@ -10,7 +10,7 @@ dashedName: core-learning-algorithms-using-probabilities-to-make-predictions
|
||||
|
||||
## --text--
|
||||
|
||||
What TensorFlow module should you import to implement `.HiddenMarkovModel()`?
|
||||
Qual módulo do TensorFlow você deve importar para implementar o `.HiddenMarkovModel()`?
|
||||
|
||||
## --answers--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d8a
|
||||
title: 'Core Learning Algorithms: Working with Data'
|
||||
title: 'Algoritmos de aprendizagem principais: trabalhando com dados'
|
||||
challengeType: 11
|
||||
videoId: u85IOSsJsPI
|
||||
dashedName: core-learning-algorithms-working-with-data
|
||||
@ -10,19 +10,19 @@ dashedName: core-learning-algorithms-working-with-data
|
||||
|
||||
## --text--
|
||||
|
||||
What does the pandas `.head()` function do?
|
||||
O que faz a função `.head()` do pandas?
|
||||
|
||||
## --answers--
|
||||
|
||||
Returns the number of entries in a data frame.
|
||||
Retorna o número de entradas em um quadro de dados.
|
||||
|
||||
---
|
||||
|
||||
Returns the number of columns in a data frame.
|
||||
Retorna o número de colunas em um quadro de dados.
|
||||
|
||||
---
|
||||
|
||||
By default, shows the first five rows or entries in a data frame.
|
||||
Por padrão, mostra as primeiras cinco linhas ou entradas em um quadro de dados.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d89
|
||||
title: Core Learning Algorithms
|
||||
title: Algoritmos de aprendizagem principais
|
||||
challengeType: 11
|
||||
videoId: u5lZURgcWnU
|
||||
dashedName: core-learning-algorithms
|
||||
@ -10,25 +10,25 @@ dashedName: core-learning-algorithms
|
||||
|
||||
## --text--
|
||||
|
||||
Which type of analysis would be best suited for the following problem?:
|
||||
Qual o tipo de análise mais adequado para o seguinte problema?
|
||||
|
||||
You have the average temperature in the month of March for the last 100 years. Using this data, you want to predict the average temperature in the month of March 5 years from now.
|
||||
Você tem a temperatura média no mês de março dos últimos 100 anos. Usando estes dados, você quer prever a temperatura média no mês de março daqui a 5 anos.
|
||||
|
||||
## --answers--
|
||||
|
||||
Multiple regression
|
||||
Regressão múltipla
|
||||
|
||||
---
|
||||
|
||||
Correlation
|
||||
Correlação
|
||||
|
||||
---
|
||||
|
||||
Decision tree
|
||||
Árvore de decisão
|
||||
|
||||
---
|
||||
|
||||
Linear regression
|
||||
Regressão linear
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d98
|
||||
title: Creating a Convolutional Neural Network
|
||||
title: Criando uma rede neural convolucional
|
||||
challengeType: 11
|
||||
videoId: kfv0K8MtkIc
|
||||
dashedName: creating-a-convolutional-neural-network
|
||||
@ -10,7 +10,7 @@ dashedName: creating-a-convolutional-neural-network
|
||||
|
||||
## --text--
|
||||
|
||||
Fill in the blanks below to complete the architecture for a convolutional neural network:
|
||||
Preencha as lacunas abaixo para completar a arquitetura para uma rede neural convolucional:
|
||||
|
||||
```py
|
||||
model = models.__A__()
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d87
|
||||
title: 'Introduction: Machine Learning Fundamentals'
|
||||
title: 'Introdução: fundamentos de aprendizagem de máquina'
|
||||
challengeType: 11
|
||||
videoId: KwL1qTR5MT8
|
||||
dashedName: introduction-machine-learning-fundamentals
|
||||
@ -10,19 +10,19 @@ dashedName: introduction-machine-learning-fundamentals
|
||||
|
||||
## --text--
|
||||
|
||||
Which statement below is **false**?
|
||||
Qual das frases abaixo é **falsa**?
|
||||
|
||||
## --answers--
|
||||
|
||||
Neural networks are modeled after the way the human brain works.
|
||||
As redes neurais são modeladas de acordo com a forma pela qual um cérebro humano trabalha.
|
||||
|
||||
---
|
||||
|
||||
Computer programs that play tic-tac-toe or chess against human players are examples of simple artificial intelligence.
|
||||
Programas de computador que jogam o jogo da velha ou xadrez contra jogadores humanos são exemplos de inteligência artificial.
|
||||
|
||||
---
|
||||
|
||||
Machine learning is a subset of artificial intelligence.
|
||||
A aprendizagem de máquina é um subconjunto da inteligência artificial.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d88
|
||||
title: Introduction to TensorFlow
|
||||
title: Introdução ao TensorFlow
|
||||
challengeType: 11
|
||||
videoId: r9hRyGGjOgQ
|
||||
dashedName: introduction-to-tensorflow
|
||||
@ -10,19 +10,19 @@ dashedName: introduction-to-tensorflow
|
||||
|
||||
## --text--
|
||||
|
||||
Which of the following is **not** a type of tensor?
|
||||
Qual das seguintes etapas **não** é um tipo de tensor?
|
||||
|
||||
## --answers--
|
||||
|
||||
Variable
|
||||
Variável
|
||||
|
||||
---
|
||||
|
||||
Flowing
|
||||
De fluxo
|
||||
|
||||
---
|
||||
|
||||
Placeholder
|
||||
De espaço reservado
|
||||
|
||||
---
|
||||
|
||||
@ -30,7 +30,7 @@ SparseTensor
|
||||
|
||||
---
|
||||
|
||||
Constant
|
||||
Constante
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72da1
|
||||
title: 'Natural Language Processing With RNNs: Building the Model'
|
||||
title: 'Processamento de linguagem natural com RNNs: Criando o modelo'
|
||||
challengeType: 11
|
||||
videoId: 32WBFS7lfsw
|
||||
dashedName: natural-language-processing-with-rnns-building-the-model
|
||||
@ -10,7 +10,7 @@ dashedName: natural-language-processing-with-rnns-building-the-model
|
||||
|
||||
## --text--
|
||||
|
||||
Fill in the blanks below to complete the `build_model` function:
|
||||
Preencha as lacunas abaixo para completar a função `build_model`:
|
||||
|
||||
```py
|
||||
def build_mode(vocab_size, embedding_dim, rnn_units, batch_size):
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72da0
|
||||
title: 'Natural Language Processing With RNNs: Create a Play Generator'
|
||||
title: 'Processamento de linguagem natural com RNNs: Crie um gerador de reprodução'
|
||||
challengeType: 11
|
||||
videoId: j5xsxjq_Xk8
|
||||
dashedName: natural-language-processing-with-rnns-create-a-play-generator
|
||||
@ -10,7 +10,7 @@ dashedName: natural-language-processing-with-rnns-create-a-play-generator
|
||||
|
||||
## --text--
|
||||
|
||||
Fill in the blanks below to create the training examples for the RNN:
|
||||
Preencha as lacunas abaixo para criar os exemplos de treinamento para a RNN:
|
||||
|
||||
```py
|
||||
char_dataset = tf.data.__A__.__B__(text_as_int)
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d9f
|
||||
title: 'Natural Language Processing With RNNs: Making Predictions'
|
||||
title: 'Processamento de linguagem natural com RNNs: Fazendo previsões'
|
||||
challengeType: 11
|
||||
videoId: WO1hINnBj20
|
||||
dashedName: natural-language-processing-with-rnns-making-predictions
|
||||
@ -10,19 +10,19 @@ dashedName: natural-language-processing-with-rnns-making-predictions
|
||||
|
||||
## --text--
|
||||
|
||||
Before you make a prediction with your own review, you should...:
|
||||
Antes de fazer uma previsão com sua própria revisão, você deve...:
|
||||
|
||||
## --answers--
|
||||
|
||||
decode the training dataset and compare the results to the test data.
|
||||
decodificar o conjunto de dados do treinamento e comparar os resultados com os dados do teste.
|
||||
|
||||
---
|
||||
|
||||
use the encodings from the training dataset to encode your review.
|
||||
usar as codificações do conjunto de dados de treinamento para codificar sua avaliação.
|
||||
|
||||
---
|
||||
|
||||
assign random values between 0 and the maximum number of vocabulary in your dataset to each word in your review.
|
||||
atribuir valores aleatórios entre 0 e o número máximo de vocabulário no seu conjunto de dados para cada palavra em sua revisão.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d9c
|
||||
title: 'Natural Language Processing With RNNs: Part 2'
|
||||
title: 'Processamento de linguagem natural com RNNs: Parte 2'
|
||||
challengeType: 11
|
||||
videoId: mUU9YXOFbZg
|
||||
dashedName: natural-language-processing-with-rnns-part-2
|
||||
@ -10,19 +10,19 @@ dashedName: natural-language-processing-with-rnns-part-2
|
||||
|
||||
## --text--
|
||||
|
||||
Word embeddings are...:
|
||||
Incorporações de palavras são...:
|
||||
|
||||
## --answers--
|
||||
|
||||
an unordered group of encoded words that describes the frequency of words in a given document.
|
||||
um grupo não ordenado de palavras codificadas que descreve a frequência das palavras em um determinado documento.
|
||||
|
||||
---
|
||||
|
||||
a group of encoded words that preserves the original order of the words in a given document.
|
||||
um grupo de palavras codificadas que preserva a ordem original das palavras em um determinado documento.
|
||||
|
||||
---
|
||||
|
||||
a vectorized representation of words in a given document that places words with similar meanings near each other.
|
||||
uma representação vetorizada de palavras em um determinado documento que coloca palavras com significados semelhantes próximas umas das outras.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d9d
|
||||
title: 'Natural Language Processing With RNNs: Recurring Neural Networks'
|
||||
title: 'Processamento de linguagem natural com RNNs: redes neurais recorrentes'
|
||||
challengeType: 11
|
||||
videoId: bX5681NPOcA
|
||||
dashedName: natural-language-processing-with-rnns-recurring-neural-networks
|
||||
@ -10,23 +10,23 @@ dashedName: natural-language-processing-with-rnns-recurring-neural-networks
|
||||
|
||||
## --text--
|
||||
|
||||
What is true about Recurrent Neural Networks?
|
||||
Qual desses fatos é verdadeiro sobre as redes neurais recorrentes?
|
||||
|
||||
## --answers--
|
||||
|
||||
1: They are a type of feed-forward neural network.
|
||||
1: Elas são um tipo de rede neural sem realimentação.
|
||||
|
||||
---
|
||||
|
||||
2: They maintain an internal memory/state of the input that was already processed.
|
||||
2: Elas mantêm uma memória/estado interno da entrada que já foi processada.
|
||||
|
||||
---
|
||||
|
||||
3: RNN's contain a loop and process one piece of input at a time.
|
||||
3: As RNNs contêm um loop e processam uma entrada por vez.
|
||||
|
||||
---
|
||||
|
||||
4: Both 2 and 3.
|
||||
4: 2 e 3 estão corretas.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d9e
|
||||
title: 'Natural Language Processing With RNNs: Sentiment Analysis'
|
||||
title: 'Processamento de linguagem natural com RNNs: Análise de sentimentos'
|
||||
challengeType: 11
|
||||
videoId: lYeLtu8Nq7c
|
||||
dashedName: natural-language-processing-with-rnns-sentiment-analysis
|
||||
@ -10,7 +10,7 @@ dashedName: natural-language-processing-with-rnns-sentiment-analysis
|
||||
|
||||
## --text--
|
||||
|
||||
Fill in the blanks below to create the model for the RNN:
|
||||
Preencha as lacunas abaixo para criar o modelo para a RNN:
|
||||
|
||||
```py
|
||||
model = __A__.keras.Sequential([
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72da2
|
||||
title: 'Natural Language Processing With RNNs: Training the Model'
|
||||
title: 'Processamento de linguagem natural com RNNs: Treinando o modelo'
|
||||
challengeType: 11
|
||||
videoId: hEUiK7j9UI8
|
||||
dashedName: natural-language-processing-with-rnns-training-the-model
|
||||
@ -10,7 +10,7 @@ dashedName: natural-language-processing-with-rnns-training-the-model
|
||||
|
||||
## --text--
|
||||
|
||||
Fill in the blanks below to save your model's checkpoints in the `./checkpoints` directory and call the latest checkpoint for training:
|
||||
Preencha as lacunas abaixo para salvar os pontos de verificação do seu modelo no diretório `./checkpoints` e chamar o checkpoint mais recente para treinamento:
|
||||
|
||||
```py
|
||||
checkpoint_dir = __A__
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d9b
|
||||
title: Natural Language Processing With RNNs
|
||||
title: Processamento de linguagem natural com RNNs
|
||||
challengeType: 11
|
||||
videoId: ZyCaF5S-lKg
|
||||
dashedName: natural-language-processing-with-rnns
|
||||
@ -10,19 +10,19 @@ dashedName: natural-language-processing-with-rnns
|
||||
|
||||
## --text--
|
||||
|
||||
Natural Language Processing is a branch of artificial intelligence that...:
|
||||
Processamento de linguagem natural é um ramo da inteligência artificial que...:
|
||||
|
||||
## --answers--
|
||||
|
||||
deals with how computers understand and process natural/human languages.
|
||||
lida com a maneira como os computadores entendem e processam idiomas naturais/humanos.
|
||||
|
||||
---
|
||||
|
||||
translates image data into natural/human languages.
|
||||
traduz dados de imagem para idiomas naturais/humanos.
|
||||
|
||||
---
|
||||
|
||||
is focused on translating computer languages into natural/human languages.
|
||||
tem como foco traduzir linguagens de computador para linguagens naturais/humanas.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d93
|
||||
title: 'Neural Networks: Activation Functions'
|
||||
title: 'Redes neurais: funções de ativação'
|
||||
challengeType: 11
|
||||
videoId: S45tqW6BqRs
|
||||
dashedName: neural-networks-activation-functions
|
||||
@ -10,19 +10,19 @@ dashedName: neural-networks-activation-functions
|
||||
|
||||
## --text--
|
||||
|
||||
Which activation function switches values between -1 and 1?
|
||||
Qual função de ativação alterna valores entre -1 e 1?
|
||||
|
||||
## --answers--
|
||||
|
||||
ReLU (Rectified Linear Unit)
|
||||
ReLU (Unidade Linear Retificada)
|
||||
|
||||
---
|
||||
|
||||
Tanh (Hyperbolic Tangent)
|
||||
Tanh (Tangente Hiperbólica)
|
||||
|
||||
---
|
||||
|
||||
Sigmoid
|
||||
Sigmoide
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d95
|
||||
title: 'Neural Networks: Creating a Model'
|
||||
title: 'Redes neurais: Criando um modelo'
|
||||
challengeType: 11
|
||||
videoId: K8bz1bmOCTw
|
||||
dashedName: neural-networks-creating-a-model
|
||||
@ -10,7 +10,7 @@ dashedName: neural-networks-creating-a-model
|
||||
|
||||
## --text--
|
||||
|
||||
Fill in the blanks below to build a sequential model of dense layers:
|
||||
Preencha as lacunas abaixo para construir um modelo sequencial de camadas densas:
|
||||
|
||||
```py
|
||||
model = __A__.__B__([
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d94
|
||||
title: 'Neural Networks: Optimizers'
|
||||
title: 'Redes neurais: otimizadores'
|
||||
challengeType: 11
|
||||
videoId: hdOtRPQe1o4
|
||||
dashedName: neural-networks-optimizers
|
||||
@ -10,19 +10,19 @@ dashedName: neural-networks-optimizers
|
||||
|
||||
## --text--
|
||||
|
||||
What is an optimizer function?
|
||||
O que é uma função otimizadora?
|
||||
|
||||
## --answers--
|
||||
|
||||
A function that increases the accuracy of a model's predictions.
|
||||
Uma função que aumenta a precisão das previsões de um modelo.
|
||||
|
||||
---
|
||||
|
||||
A function that implements the gradient descent and backpropagation algorithms for you.
|
||||
Uma função que implementa os algoritmos de descida do gradiente e de retropropagação por você.
|
||||
|
||||
---
|
||||
|
||||
A function that reduces the time a model needs to train.
|
||||
Uma função que reduz o tempo de que um modelo necessita para treinar.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d92
|
||||
title: Neural Networks with TensorFlow
|
||||
title: Redes neurais com TensorFlow
|
||||
challengeType: 11
|
||||
videoId: uisdfrNrZW4
|
||||
dashedName: neural-networks-with-tensorflow
|
||||
@ -10,19 +10,19 @@ dashedName: neural-networks-with-tensorflow
|
||||
|
||||
## --text--
|
||||
|
||||
A densely connected neural network is one in which...:
|
||||
Uma rede neural densamente conectada é aquela em que...:
|
||||
|
||||
## --answers--
|
||||
|
||||
all the neurons in the current layer are connected to one neuron in the previous layer.
|
||||
todos os neurônios da camada atual estão conectados a um neurônio na camada anterior.
|
||||
|
||||
---
|
||||
|
||||
all the neurons in each layer are connected randomly.
|
||||
todos os neurônios em cada camada estão conectados aleatoriamente.
|
||||
|
||||
---
|
||||
|
||||
all the neurons in the current layer are connected to every neuron in the previous layer.
|
||||
todos os neurônios da camada atual estão conectados a todos os neurônios da camada anterior.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72da5
|
||||
title: 'Reinforcement Learning With Q-Learning: Example'
|
||||
title: 'Aprendizagem de reforço com Q-Learning: Exemplo'
|
||||
challengeType: 11
|
||||
videoId: RBBSNta234s
|
||||
dashedName: reinforcement-learning-with-q-learning-example
|
||||
@ -10,7 +10,7 @@ dashedName: reinforcement-learning-with-q-learning-example
|
||||
|
||||
## --text--
|
||||
|
||||
Fill in the blanks to complete the following Q-Learning equation:
|
||||
Preencha as lacunas para completar a seguinte equação de Q-Learn:
|
||||
|
||||
```py
|
||||
Q[__A__, __B__] = Q[__A__, __B__] + LEARNING_RATE * (reward + GAMMA * np.max(Q[__C__, :]) - Q[__A__, __B__])
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72da4
|
||||
title: 'Reinforcement Learning With Q-Learning: Part 2'
|
||||
title: 'Aprendizagem de reforço com Q-Learning: Parte 2'
|
||||
challengeType: 11
|
||||
videoId: DX7hJuaUZ7o
|
||||
dashedName: reinforcement-learning-with-q-learning-part-2
|
||||
@ -10,15 +10,15 @@ dashedName: reinforcement-learning-with-q-learning-part-2
|
||||
|
||||
## --text--
|
||||
|
||||
What can happen if the agent does not have a good balance of taking random actions and using learned actions?
|
||||
O que pode acontecer se o agente não tiver um bom equilíbrio entre realizar ações aleatórias e usar ações aprendidas?
|
||||
|
||||
## --answers--
|
||||
|
||||
The agent will always try to minimize its reward for the current state/action, leading to local minima.
|
||||
O agente sempre tentará minimizar sua recompensa pelo estado/ação atual, levando ao mínimo local.
|
||||
|
||||
---
|
||||
|
||||
The agent will always try to maximize its reward for the current state/action, leading to local maxima.
|
||||
O agente sempre tentará maximizar sua recompensa pelo estado/ação atual, levando ao máximo local.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72da3
|
||||
title: Reinforcement Learning With Q-Learning
|
||||
title: Aprendizagem de reforço com Q-Learning
|
||||
challengeType: 11
|
||||
videoId: Cf7DSU0gVb4
|
||||
dashedName: reinforcement-learning-with-q-learning
|
||||
@ -10,19 +10,19 @@ dashedName: reinforcement-learning-with-q-learning
|
||||
|
||||
## --text--
|
||||
|
||||
The key components of reinforcement learning are...
|
||||
Os principais componentes da aprendizagem de reforço são...
|
||||
|
||||
## --answers--
|
||||
|
||||
environment, representative, state, reaction, and reward.
|
||||
ambiente, representante, estado, reação e recompensa.
|
||||
|
||||
---
|
||||
|
||||
environment, agent, state, action, and reward.
|
||||
ambiente, agente, estado, ação e recompensa.
|
||||
|
||||
---
|
||||
|
||||
habitat, agent, state, action, and punishment.
|
||||
habitat, agente, ação, estado e punição.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
Reference in New Issue
Block a user