Carregar dados usando pandas

Antes de treinar um modelo de Machine Learning, você precisa importar os dados. Existem várias formas válidas de fazer isso, mas por enquanto vamos usar uma linha simples do pandas: pd.read_csv(). Lembre-se do vídeo: o primeiro argumento especifica o caminho ou a URL. Todos os outros argumentos são opcionais.

Neste exercício, você vai importar o conjunto de dados de habitação de King County, que usaremos para treinar um modelo linear mais adiante no capítulo.

Este exercicio faz parte do curso

Introdução ao TensorFlow em Python

Instruções do exercicio

Importe pandas com o alias pd.
Atribua o caminho a uma variável string chamada data_path.
Carregue o conjunto de dados como um dataframe do pandas chamado housing.
Imprima a coluna price de housing.

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# Import pandas under the alias pd
____

# Assign the path to a string variable named data_path
____ = 'kc_house_data.csv'

# Load the dataset as a dataframe named housing
____ = pd.read_csv(____)

# Print the price column of housing
print(____)

Editar e Executar Código

Este exercicio faz parte do curso

Introdução ao TensorFlow em Python

IntermediárioNível de habilidade

4.8+

Comece o curso gratuitamente

Antes de criar modelos avançados no TensorFlow 2, você precisa entender o básico. Neste capítulo, você vai aprender a definir constantes e variáveis, realizar adição e multiplicação de tensores e calcular derivadas. Ter noções de álgebra linear ajuda, mas não é obrigatório.

Exercise 1: Constantes e variáveis Exercise 2: Definindo dados como constantes Exercise 3: Definindo variáveis Exercise 4: Operações básicas Exercise 5: Realizando multiplicação elemento a elemento Exercise 6: Fazendo previsões com multiplicação de matrizes Exercise 7: Somando ao longo das dimensões de um tensor Exercise 8: Operações avançadas Exercise 9: Remodelando tensores Exercise 10: Otimização com gradientes Exercise 11: Trabalhando com dados de imagem

Neste capítulo, você vai aprender a construir, resolver e fazer previsões com modelos no TensorFlow 2. O foco será uma classe simples de modelos — a regressão linear — e você tentará prever preços de imóveis. Ao final, você saberá carregar e manipular dados, construir funções de perda, realizar minimização, fazer previsões e reduzir o uso de recursos com treino em lotes (batch training).

Exercise 1: Dados de entrada Exercise 2: Carregar dados usando pandas

Exercicio Atual

Exercise 3: Definindo o tipo de dado Exercise 4: Funções de perda Exercise 5: Funções de perda no TensorFlow Exercise 6: Modificando a função de perda Exercise 7: Regressão linear Exercise 8: Configurar uma regressão linear Exercise 9: Treinar um modelo linear Exercise 10: Regressão linear múltipla Exercise 11: Treinamento em lotes Exercise 12: Preparando para o treinamento em lotes Exercise 13: Treinando um modelo linear em lotes

Os capítulos anteriores mostraram como construir modelos no TensorFlow 2. Neste capítulo, você aplicará as mesmas ferramentas para criar, treinar e fazer previsões com redes neurais. Você vai aprender a definir camadas densas, aplicar funções de ativação, escolher um otimizador e aplicar regularização para reduzir overfitting. Vai tirar proveito da flexibilidade do TensorFlow usando tanto álgebra linear de baixo nível quanto as operações da API Keras de alto nível para definir e treinar modelos.

Exercise 1: Camadas densas Exercise 2: A álgebra linear de camadas densas Exercise 3: A abordagem de baixo nível com vários exemplos Exercise 4: Usando a operação de camada densa Exercise 5: Funções de ativação Exercise 6: Problemas de classificação binária Exercise 7: Problemas de classificação multiclasse Exercise 8: Otimizadores Exercise 9: Os perigos dos mínimos locais Exercise 10: Evitando mínimos locais Exercise 11: Treinando uma rede no TensorFlow Exercise 12: Inicialização no TensorFlow Exercise 13: Definindo o modelo e a função de perda Exercise 14: Treinando redes neurais com TensorFlow

No capítulo final, você usará APIs de alto nível do TensorFlow 2 para treinar um classificador de letras da linguagem de sinais. Você usará as APIs Keras sequencial e funcional para treinar, validar, fazer previsões e avaliar modelos. Você também vai aprender a usar a API Estimators para simplificar a definição e o treinamento do modelo e evitar erros.

Exercise 1: Definindo redes neurais com Keras Exercise 2: O modelo sequencial no Keras Exercise 3: Compilando um modelo sequencial Exercise 4: Definindo um modelo com múltiplas entradas Exercise 5: Treinamento e validação com Keras Exercise 6: Treinando com Keras Exercise 7: Métricas e validação com Keras Exercise 8: Detecção de overfitting Exercise 9: Avaliando modelos Exercise 10: Treinando modelos com a API Estimators Exercise 11: Preparando o treinamento com Estimators Exercise 12: Defining Estimators Exercise 13: Parabéns!