chore(i18n,curriculum): update translations (#42969)
This commit is contained in:
camperbot
GitHub
@ -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