Portfólio Laisla Francisco

Média, moda e mediana, são medidas de tendência central, úteis para resumir e compreender a distribuição dos dados, vamos ver com mais detalhes, exemplos e uma prática bem legal em Python, como funciona cada uma delas: Média:      A média é uma medida sensível a valores extremos, que representa o valor médio de um conjunto de dados. É calculada somando todos os valores e dividindo pelo número total de observações. Exemplo:    Considere o conjunto de dados: 10, 15, 20, 25, 30.    Para calcular a média, adicionamos todos os valores: 10 + 15 + 20 + 25 + 30 = 100.    Em seguida, dividimos pelo número total de observações (5): 100 / 5 = 20.    Portanto, a média é 20 para este conjunto de dados. Mediana:       A mediana é o valor que divide o conjunto de dados em duas partes iguais quando os dados estão ordenados em ordem crescente ou decrescente. Se houver um número ímpar de observações, a mediana é o valor do me...

As Redes Neurais Artificiais (RNAs), especialmente no contexto de Deep Learning, são modelos computacionais inspirados na estrutura e funcionamento do cérebro humano, elas consistem em uma rede de neurônios interconectados, organizados em camadas, onde cada neurônio é uma unidade computacional que processa informações. Em uma RNA, os neurônios são organizados em camadas, incluindo uma camada de entrada, uma ou mais camadas ocultas e uma camada de saída, cada conexão entre neurônios tem um peso associado, e a rede aprende ajustando esses pesos durante o treinamento. A propagação para frente (forward propagation) envolve a passagem de dados da camada de entrada até a camada de saída, enquanto a retropropagação (backpropagation) é utilizada para ajustar os pesos com base no erro da previsão. Temos algumas variações da aplicação das redes neurais, as redes neurais convolucionais (CNNs) são usadas para identificar objetos em imagens, redes neurais recorrentes (RNNs) são aplicadas em tarefas...

O algoritmo Naive Bayes é um método probabilístico que se baseia no Teorema de Bayes para realizar classificação, ele assume que as características usadas para descrever instâncias são condicionalmente independentes, dada a classe da instância. Essa suposição simplificadora é conhecida como "ingênua" (naive), mas o algoritmo tem mostrado ser eficaz em muitas situações práticas. O Naive Bayes calcula a probabilidade condicional de uma classe dada as características da instância. Usando o Teorema de Bayes, a fórmula geral é: P ( C ∣ X ) = P ( X ) P ( X ∣ C ) ⋅ P ( C ) ​ onde: � ( � ∣ � ) P ( C ∣ X ) é a probabilidade da classe � C dado um conjunto de características � X . � ( � ∣ � ) P ( X ∣ C ) é a probabilidade das características � X dado � C . � ( � ) P ( C ) é a probabilidade prévia da classe � C . � ( � ) P ( X ) é a probabilidade das características � X . A suposição de independência condicional permite simplificar a fórmula, tornando-a mais gerenciável. Podemos us...