giuseppemp / udacity-fundamentos-ia-machine-learning

How to create enviroment with conda

To create an environment:

conda create --name myenv

Create the environment from the environment.yml file:

conda env create -f environment.yml

To create an enviroment for the udacity class room:

conda create -n udacity-fundamentos-ia numpy jupyter notebook pandas matplotlib seaborn python=3

Activate & Deactivate enviroment

source activate udacity-fundamentos-ia

source deactivate

To list enviroments

conda env list

to run a jupyter notebook just run the code below on terminal or console:

$jupyter notebook

01/DEC/18 Repository Init

Organização README.md

fix CVE-2018-18074.

More information moderate severity Vulnerable versions: <= 2.19.1 Patched version: 2.20.0 The Requests package through 2.19.1 before 2018-09-14 for Python sends an HTTP Authorization header to an http URI upon receiving a same-hostname https-to-http redirect, which makes it easier for remote attackers to >discover credentials by sniffing the network.

01/DEC/2018 Entrega 2° Projeto - "Prevendo o preço dos imóveis residenciais em Boston - Udacity"

Briefing do Projeto

O mercado imobiliário de Boston é altamente competitivo, e você quer ser o melhor corretor de imóveis da região. Para competir com seus colegas, você decidiu elencar alguns conceitos básicos de Machine Learning para ajudar você e seu cliente a acharem o melhor preço de venda para a casa dele. Com sorte, você se deparou com o conjunto de dados de habitação de Boston, que contém dados agregados de várias características para casas das comunidades da Grande Boston, incluindo o valor médio das casas para cada uma das regiões. Sua tarefa é construir um modelo ótimo, baseado na análise das estatísticas com as ferramentas disponíveis. Esse modelo será, então, usado para estimar o melhor preço de venda para a casa de seus clientes.

folder -> projetos/prevendo-preco-imoveis-residencias-boston

01/DEC/18 Aula 2 - Estatística Descritiva - Parte II

Aula 2: Lecture 01. O que são medidas de dispersão?

Medidas de dispersão (spread) são usadas para nos dar uma ideia do quão dispersos nossos dados são um do outro. Medidas comuns de dispersão incluem:

1. Amplitude
2. Amplitude interquartil (IQR)
3. Desvio-padrão
4. Variância

Aula 2: Lecture 02. Histogramas

Histogramas são super úteis para compreender os diferentes aspectos de dados quantitativos. Nos tópicos a seguir você verá histogramas sendo usados o tempo todo para ajudar você a compreender os quatro aspectos que destacamos anteriormente sobre uma variável quantitativa:

1. Centro
2. Dispersão
3. Forma
4. Outliers

Aula 2: Lecture 03. Dias úteis x fins de semana - qual a diferença?

É possível observar que o número de cães é igual durante a semana e no fins de semana mas a propagação varia.

Aula 2: Lecture 04. Introdução ao resumo de cinco números.

Calculando o five number summary (resumo em cinco números)

O five number summary consiste em 5 valores:

> **Mínimo**: O menor número no conjunto de dados.
> **Q1**​: O valor de tal forma que 25% dos dados sejam menores que ele.
> **Q2**​: O valor tal que 50% dos dados sejam menores que ele.
> **Q3**​: O valor de tal forma que 75% dos dados sejam menores que ele.
> **Máximo**: O maior valor no conjunto de dados.

No vídeo acima nós vimos que calcular cada um desses valores era essencialmente encontrar a mediana de vários conjuntos de dados diferentes. Porque nós estamos, essencialmente, calculando várias medianas, o cálculo depende se temos um valor numérico par ou ímpar. Amplitude

A amplitude é então calculada como a diferença entre o máximo e o mínimo. IQR

A amplitude interquartil é calculada como a diferença entre Q3 and Q1​.