Showing Revision 13 created 06/20/2016 by Udacity Robot.

1. Title:
   Downloading Enron Data - Intro to Machine Learning
2. Description:

3. 80 0:00 - 0:03
   Agora que defini o que é uma pessoa envolvida, é hora de trabalharmos
4. 2770 0:03 - 0:04
   com o conjunto de dados.
5. 3840 0:04 - 0:07
   Este foi o caminho que segui para localizar o conjunto de dados.
6. 6910 0:07 - 0:09
   Comecei pelo Google, como sempre faço.
7. 9370 0:09 - 0:11
   Procurei no Google por Enron emails.
8. 10760 0:11 - 0:13
   A primeira coisa que apareceu foi o conjunto de dados Enron Email Dataset.
9. 12860 0:13 - 0:16
   Você pode ver que é um conjunto de dados muito famoso.
10. 16750 0:17 - 0:20
    Várias pessoas já o estudaram antes de nós para muitas finalidades diferentes.
11. 20350 0:20 - 0:22
    Ele tem sua própria página na Wikipédia.
12. 21980 0:22 - 0:25
    Ele tem um artigo muito interessante que eu recomendo,
13. 24630 0:25 - 0:28
    da MIT Technology Review, sobre os diversos usos
14. 28000 0:28 - 0:30
    deste conjunto de dados ao longo dos anos.
15. 29680 0:30 - 0:32
    Mas, o primeiro link é o próprio conjunto de dados.
16. 32240 0:32 - 0:34
    Vamos abrir esse link.
17. 33510 0:34 - 0:37
    Ele nos leva a uma página do departamento da Carnegie Mellon CS.
18. 37400 0:37 - 0:40
    Ele nos dá um pequeno histórico sobre o conjunto de dados e,
19. 40030 0:40 - 0:41
    se rolarmos para baixo,
20. 42560 0:43 - 0:44
    encontramos este link aqui.
21. 43700 0:44 - 0:46
    Este é verdadeiro link para o conjunto de dados.
22. 45990 0:46 - 0:48
    Abaixo disso, temos mais algumas informações.
23. 48260 0:48 - 0:52
    Se você clicar aqui, um arquivo TGZ será baixado.
24. 51960 0:52 - 0:55
    Você pode ver aqui que eu já o baixei.
25. 54880 0:55 - 0:56
    Se você fizer isso por conta própria,
26. 55830 0:56 - 0:59
    sabia que levei aproximadamente meia hora para baixar todo o conjunto de dados.
27. 59050 0:59 - 1:02
    Por isso, recomendo que você inicie o download e
28. 61810 1:02 - 1:04
    vá fazer outra coisa.
29. 64030 1:04 - 1:06
    Quando o download for concluído, descompacte-o.
30. 66440 1:06 - 1:09
    Para isso, vá para o diretório em que deseja trabalhar e
31. 69340 1:09 - 1:11
    execute um comando como este.
32. 71240 1:11 - 1:17
    Não existe mágica aqui; eu apenas pesquisei no Google como descompactar o .tgz e
33. 76820 1:17 - 1:18
    encontrei o comando.
34. 78170 1:18 - 1:21
    Mais uma vez, isso levará alguns minutos.
35. 80530 1:21 - 1:24
    Quando terminar, você obterá um diretório chamado enron_mail.
36. 84170 1:24 - 1:26
    Em seguida, CD em maildir.
37. 86210 1:26 - 1:28
    Aqui está o conjunto de dados.
38. 87870 1:28 - 1:33
    Ele está organizado em vários diretórios, cada um pertencendo a uma pessoa.
39. 92680 1:33 - 1:36
    Você pode ver que há tantos que nem consigo mostrá-los em uma única página.
40. 96260 1:36 - 1:40
    Na verdade, você descobrirá que há mais de 150 pessoas neste conjunto de dados.
41. 99630 1:40 - 1:42
    Cada uma delas está identificada pelo sobrenome e
42. 101530 1:42 - 1:43
    pela primeira letra do nome.
43. 103260 1:43 - 1:47
    Então, olhando superficialmente, consigo encontrar Jeff Skilling.
44. 106850 1:47 - 1:48
    Vejamos se encontro Ken Lay.
45. 108110 1:48 - 1:50
    Ele deve estar mais para cima.
46. 110450 1:50 - 1:52
    Sim. Aqui está Ken Lay.
47. 112050 1:52 - 1:56
    E, é claro, uma série de pessoas de quem nunca ouvi falar.
48. 115730 1:56 - 1:57
    E lembre-se de que minha pergunta é:
49. 117270 1:57 - 2:00
    eu tenho emails de quantas pessoas envolvidas?
50. 120330 2:00 - 2:03
    Tenho o número suficiente de pessoas e tenho seus emails
51. 123070 2:03 - 2:06
    para que possa começar a descrever os padrões nesses emails
52. 125680 2:06 - 2:09
    usando algoritmos de classificação supervisionada?
53. 128538 2:09 - 2:11
    Mais uma vez, respondi a essa pergunta por meio de
54. 130639 2:11 - 2:14
    trabalho manual, basicamente.
55. 133980 2:14 - 2:18
    Peguei minha lista de pessoas envolvidas e
56. 137710 2:18 - 2:22
    procurei o nome da cada uma delas nesse diretório.
57. 141660 2:22 - 2:25
    Vamos voltar à lista e rever sua aparência.
58. 144590 2:25 - 2:26
    Você pode ver a lista anotada aqui.
59. 146020 2:26 - 2:29
    Talvez você esteja se perguntando o que são essas letras antes de cada um dos nomes.
60. 148540 2:29 - 2:30
    Elas são anotações que fiz para mim mesma.
61. 150460 2:30 - 2:35
    Para saber se realmente tenho a caixa de entrada de cada uma dessas pessoas.
62. 154750 2:35 - 2:39
    Portanto, já achamos Ken Lay e Jeff Skilling.
63. 158800 2:39 - 2:42
    Mas, depois, começou a ficar um pouco mais difícil.
64. 161594 2:42 - 2:46
    Então, podemos ver que há muitas pessoas com um N ao lado de seus nomes.
65. 165630 2:46 - 2:51
    Isso significa que eu não tenho, por exemplo, Scott Yeager.
66. 170750 2:51 - 2:57
    Se eu analisar o conjunto de dados, não consigo encontrar um Yeager aqui.
67. 176850 2:57 - 2:59
    Portanto, Scott Yeager é uma pessoa de quem eu adoraria ter a caixa de entrada.
68. 179430 2:59 - 3:03
    Eu adoraria ter alguns emails enviados e recebidos por ele, mas não tenho.
69. 183490 3:03 - 3:07
    No final das contas, não tenho as caixas de entrada de email de várias pessoas.
70. 187400 3:07 - 3:08
    Honestamente,
71. 188070 3:08 - 3:11
    neste ponto, eu já estava bastante desestimulada em relação à possibilidade de
72. 190890 3:11 - 3:13
    usar isso como um projeto.
73. 193270 3:13 - 3:17
    Acho que contei quatro ou cinco pessoas das quais tenho as caixas de entrada.
74. 196880 3:17 - 3:20
    E, embora isso possa representar centenas de emails ou algo assim,
75. 201160 3:21 - 3:25
    não existe nenhuma chance de que, com quatro exemplos de pessoas envolvidas, eu
76. 205210 3:25 - 3:30
    possa começar a descrever padrões de pessoas envolvidas.
77. 209760 3:30 - 3:33
    No próximo vídeo, falarei sobre uma boa ideia que eu
78. 212830 3:33 - 3:36
    tive para dar uma segunda chance a este projeto.
79. 216280 3:36 - 3:39
    Uma maneira diferente de tentar acessar as caixas de entrada de emails
80. 218900 3:39 - 3:40
    das pessoas envolvidas.