1
00:00:00,000 --> 00:00:03,686
[I.A. E MACHINE LEARNING
DADOS NUMÉRICOS NO I.A. LAB]

2
00:00:03,686 --> 00:00:07,686
Dados numéricos no I.A. Lab é um 
pouco diferente dos dados categóricos.

3
00:00:08,075 --> 00:00:10,985
Vamos conferir um exemplo
no qual um parque de diversão

4
00:00:10,985 --> 00:00:16,569
quer usar machine learning para prever o quanto de renda eles produzirão em um dia específico.

5
00:00:17,255 --> 00:00:20,431
Em vez de gráficos de barras, 
dados numéricos exibem os valores

6
00:00:20,431 --> 00:00:24,302
mínimo e máximo do conjunto de dados

7
00:00:24,523 --> 00:00:29,213
Ele também exibe o intervalo, o qual é 
diferença entre o mínimo e o máximo.

8
00:00:30,724 --> 00:00:32,644
Em vez de tabelas de referências cruzadas,

9
00:00:32,644 --> 00:00:35,304
dados numéricos são exibidos
em gráficos de dispersão.

10
00:00:35,672 --> 00:00:39,142
Esses gráficos ainda exibem como duas colunas estão relacionadas uma com a outra.

11
00:00:39,305 --> 00:00:46,225
O rótulo é sempre exibido no lado esquerdo e o recurso é sempre exibido na parte de baixo.

12
00:00:46,923 --> 00:00:50,083
Não tente focar em cada ponto individualmente.

13
00:00:50,397 --> 00:00:54,147
Em vez disso, tente observar o gráfico 
como um todo exibi um padrão.

14
00:00:54,357 --> 00:00:59,877
Por exemplo, nesse gráfico, eu consigo observar que há um número baixo de propagandas on-line,

15
00:01:00,115 --> 00:01:04,115
mas também um número 
baixo de receita naquele dia.

16
00:01:04,319 --> 00:01:10,449
E, se tiver um número alto de propagandas 
on-line, há uma alta receita naquele dia.

17
00:01:11,088 --> 00:01:16,248
Esse é um padrão que o Robô I.A. pode usar 
para ajudar a criar predições no seu modelo.

18
00:01:19,588 --> 00:01:25,058
Esse gráfico mostra quanta receita 
é feita baseado no dia do mês.

19
00:01:25,990 --> 00:01:31,754
Isso não é lá muito útil para fazer predições, por conta de o quanto espalhados os dados estão.

20
00:01:31,754 --> 00:01:36,629
É difícil predizer qual será a minha 
receita em um dia específico.

21
00:01:37,924 --> 00:01:42,984
Outra diferença entre dados numéricos e 
dados categóricos é na tela de resultados.

22
00:01:43,522 --> 00:01:47,892
Com dados categóricos, podemos calcular precisão como se fosse uma checklist.

23
00:01:47,892 --> 00:01:53,216
Toda vez que o Robô I.A. adivinhar exata e corretamente, irá aumentar a nossa precisão.

24
00:01:53,828 --> 00:01:57,828
Com dados numéricos, é tipo como 
se fosse um quadro negro.

25
00:01:57,828 --> 00:02:04,296
Enquanto os palpites do Robô I.A. forem próximos o suficiente, ainda os consideramos como corretos.

26
00:02:05,864 --> 00:02:12,557
No I.A. Lab, a diferença entre os dois palpites precisam estar dentro de 5% do intervalo total.

27
00:02:12,847 --> 00:02:17,128
O número atual muda conforme o quão grande ou pequeno for o conjunto de dados.

28
00:02:17,128 --> 00:02:21,200
Mas você pode usar esse painel de
detalhes para ver mais informações sobre

29
00:02:21,200 --> 00:02:27,820
quais são os palpites que o Robô I.A. acertou,
e quais palpites que o Robô I.A. errou.

30
00:02:29,833 --> 00:02:34,613
Treinar modelos com dados numéricos é como treinar modelos com dados categóricos,

31
00:02:34,613 --> 00:02:37,551
você ainda está ajudando 
o Robô I.A. a fazer predições,

32
00:02:37,551 --> 00:02:42,188
mas as ferramentas usadas são levemente diferentes, e a maneira como calculamos precisão

33
00:02:42,188 --> 00:02:44,148
nos permite aceitar estar perto o suficiente.