0:00:00.000,0:00:03.686
[I.A. E MACHINE LEARNING[br]DADOS NUMÉRICOS NO I.A. LAB]

0:00:03.686,0:00:07.686
Dados numéricos no I.A. Lab é um [br]pouco diferente dos dados categóricos.

0:00:08.075,0:00:10.985
Vamos conferir um exemplo[br]no qual um parque de diversão

0:00:10.985,0:00:16.569
quer usar machine learning para prever o quanto de renda eles produzirão em um dia específico.

0:00:17.255,0:00:20.431
Em vez de gráficos de barras, [br]dados numéricos exibem os valores

0:00:20.431,0:00:24.302
mínimo e máximo do conjunto de dados

0:00:24.523,0:00:29.213
Ele também exibe o intervalo, o qual é [br]diferença entre o mínimo e o máximo.

0:00:30.724,0:00:32.644
Em vez de tabelas de referências cruzadas,

0:00:32.644,0:00:35.304
dados numéricos são exibidos[br]em gráficos de dispersão.

0:00:35.672,0:00:39.142
Esses gráficos ainda exibem como duas colunas estão relacionadas uma com a outra.

0:00:39.305,0:00:46.225
O rótulo é sempre exibido no lado esquerdo e o recurso é sempre exibido na parte de baixo.

0:00:46.923,0:00:50.083
Não tente focar em cada ponto individualmente.

0:00:50.397,0:00:54.147
Em vez disso, tente observar o gráfico [br]como um todo exibi um padrão.

0:00:54.357,0:00:59.877
Por exemplo, nesse gráfico, eu consigo observar que há um número baixo de propagandas on-line,

0:01:00.115,0:01:04.115
mas também um número [br]baixo de receita naquele dia.

0:01:04.319,0:01:10.449
E, se tiver um número alto de propagandas [br]on-line, há uma alta receita naquele dia.

0:01:11.088,0:01:16.248
Esse é um padrão que o Robô I.A. pode usar [br]para ajudar a criar predições no seu modelo.

0:01:19.588,0:01:25.058
Esse gráfico mostra quanta receita [br]é feita baseado no dia do mês.

0:01:25.990,0:01:31.754
Isso não é lá muito útil para fazer predições, por conta de o quanto espalhados os dados estão.

0:01:31.754,0:01:36.629
É difícil predizer qual será a minha [br]receita em um dia específico.

0:01:37.924,0:01:42.984
Outra diferença entre dados numéricos e [br]dados categóricos é na tela de resultados.

0:01:43.522,0:01:47.892
Com dados categóricos, podemos calcular precisão como se fosse uma checklist.

0:01:47.892,0:01:53.216
Toda vez que o Robô I.A. adivinhar exata e corretamente, irá aumentar a nossa precisão.

0:01:53.828,0:01:57.828
Com dados numéricos, é tipo como [br]se fosse um quadro negro.

0:01:57.828,0:02:04.296
Enquanto os palpites do Robô I.A. forem próximos o suficiente, ainda os consideramos como corretos.

0:02:05.864,0:02:12.557
No I.A. Lab, a diferença entre os dois palpites precisam estar dentro de 5% do intervalo total.

0:02:12.847,0:02:17.128
O número atual muda conforme o quão grande ou pequeno for o conjunto de dados.

0:02:17.128,0:02:21.200
Mas você pode usar esse painel de[br]detalhes para ver mais informações sobre

0:02:21.200,0:02:27.820
quais são os palpites que o Robô I.A. acertou,[br]e quais palpites que o Robô I.A. errou.

0:02:29.833,0:02:34.613
Treinar modelos com dados numéricos é como treinar modelos com dados categóricos,

0:02:34.613,0:02:37.551
você ainda está ajudando [br]o Robô I.A. a fazer predições,

0:02:37.551,0:02:42.188
mas as ferramentas usadas são levemente diferentes, e a maneira como calculamos precisão

0:02:42.188,0:02:44.148
nos permite aceitar estar perto o suficiente.