<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Wesley Watanabe on Medium]]></title>
        <description><![CDATA[Stories by Wesley Watanabe on Medium]]></description>
        <link>https://medium.com/@wesleywatanabe?source=rss-d725098cad73------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*MG8Sw1WpQbrnGvT72JWOIA.png</url>
            <title>Stories by Wesley Watanabe on Medium</title>
            <link>https://medium.com/@wesleywatanabe?source=rss-d725098cad73------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 04:07:12 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@wesleywatanabe/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Machine Learning: desenvolvimento e deploy com Python]]></title>
            <link>https://medium.com/dados/machine-learning-desenvolvimento-e-deploy-com-python-b21b4e8869ff?source=rss-d725098cad73------2</link>
            <guid isPermaLink="false">https://medium.com/p/b21b4e8869ff</guid>
            <category><![CDATA[regression-analysis]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[deploy]]></category>
            <dc:creator><![CDATA[Wesley Watanabe]]></dc:creator>
            <pubDate>Wed, 08 Jul 2020 23:40:27 GMT</pubDate>
            <atom:updated>2020-07-09T19:22:25.791Z</atom:updated>
            <content:encoded><![CDATA[<h4>Uma abordagem sobre o ciclo de um projeto de machine learning.</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*t6LsU_NZAolaILCd" /><figcaption>Photo by <a href="https://unsplash.com/@markuswinkler?utm_source=medium&amp;utm_medium=referral">Markus Winkler</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><h3>Introdução</h3><p>Tenho escrito vários artigos aqui no <a href="https://medium.com/u/504c7870fdb6">Medium</a> explicando como criar modelos de <a href="https://www.linkedin.com/in/wesleywatanabe/"><strong>Machine Learning.</strong></a><strong> </strong>Neste além de criar o modelo vou também criar uma interface web para consumirmos o resultado do nosso modelo. Dessa forma o foco neste artigo é o todo, e não o desenvolvimento do modelo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/480/1*9O3Z_ADPyXLPOMkw4Y-mlQ.gif" /></figure><h4>Tópicos abordados</h4><ul><li>Criar um modelo de ML</li><li>Tratamento simples dos dados</li><li>Exportar modelo</li><li>Criar interface web para uso do modelo</li><li>Deploy do modelo em Flask</li></ul><h4>Dica de leitura</h4><p>Neste artigo abordo alguns assuntos já comentados no artigo abaixo, tais quais não serão abordados profundamente neste artigo.</p><p><a href="https://medium.com/@wesleywatanabe/inteligencia-artificial-python-nltk-pandas-pln-3dbfda430382">Inteligência Artificial: Análise de sentimentos com Python</a></p><h4>Contexto: Fake news detector</h4><p>Hoje estamos passando por um período muito conturbado em relação as fake news. A propagação e os efeitos práticos tem sido ‘benéficos’ para aqueles que usam esse tipo de instrumento para manipular pessoas.</p><p>No <strong>Twitter </strong>por exemplo já foram criados vários perfis para detectar outros perfis e sites que propagam esse tipo de notícia.</p><p><strong>Casos práticos:</strong></p><p>O perfil @<strong>slpng_giants_pt</strong> foi criado há pouco tempo mas já possui cerca de 237k de seguidores. Ele tem vasculhado sites que propagam fake news e tem cobrado um posicionamento das empresas que vinculam seu anúncios neles.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/495/1*19UJGSZ4bKW_HkMli-OtFQ.png" /><figcaption><a href="http://www.twitter.com/@botsentinel">Image</a> do <a href="https://twitter.com/slpng_giants_pt">https://twitter.com/slpng_giants_pt</a></figcaption></figure><p>Outro perfil no Twitter é o <strong>@BotSentinel</strong>, esse aplicando machine learning tem ajudado a identificar possíveis twitts de perfis que são usuários “robôs”, os quais são usados para disseminar fake news e/ou subir hashtags.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/484/1*PEtrCtPk_1bn8j51PTFpOw.png" /><figcaption>Image do twitter <a href="http://www.twitter.com/@botsentinel">www.twitter.com/@botsentinel</a></figcaption></figure><p>Dado o atual contexto uma aplicação para a verificação de notícias reais ou não faz todo o sentido. Vamos lá!</p><h3>Mãos a obra</h3><p>Primeiro vamos importar o dataset sobre fake news. O dataset que consegui para usar nesse tutorial está nesse <a href="https://www.kaggle.com/c/fake-news/data">link</a> disponibilizado na plataforma do <strong>Kaggle</strong>.</p><p>Existem dois arquivos (train e test), dessa forma vamos usar os arquivos para treinar e validar o nosso modelo.</p><h4>Importando bibliotecas</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/842/0*fko7JSJAFruyx3jS" /></figure><h4>Importando dados</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/725/0*pLv8s2zYkqxZDE-w" /></figure><h4>EDA</h4><p>Fazendo o reconhecimento dos datasets.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/931/0*4sU8dcKWyW-MQ9i_" /></figure><p>Checando os dataframes info’s.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/733/0*vN0jnWFRmLgT0TwJ" /></figure><p>Checando os valores nulos dos dois dataframes.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/869/0*QT9yaYzYgU7gpv5g" /></figure><h3>Transformando os dados</h3><p>Concatenando os dados de todas as colunas (menos label) em um só.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/687/0*Jr-i2p2B_2SDpoBP" /></figure><p>Removendo os valores nulls</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/681/0*cRMlWgtbuVV9pNba" /></figure><h3>Criando o modelo preditivo</h3><p>Criando objeto de vetorização passando o parâmetro <strong>ngram </strong>e já criando a matriz de treino e teste.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/690/0*Dua_TSN6jbCbvHzD" /></figure><p>Separando o dataframe de treino em dois (teste e treino)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/0*sRNBciztgQDNGpb7" /></figure><p>Criando o modelo de Regressão Logística</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/746/1*qc-RDLNuhB2xZXN77QmVHw.png" /></figure><h4>Salvando modelo</h4><p>Salvar o modelo e o ‘vetorizador’ que criamos para ser usado na nossa página web.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/846/1*9DToepqINogQnLxleNciPw.png" /></figure><h4>Deploy</h4><p>Para executar o arquivo <strong>index.py </strong>execute a instalação das bibliotecas contidas no arquivo requirements.txt. (pip install -r requirement.txt)</p><p>Obs: Não esqueça de criar o ambiente virtual (virtualenv).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/826/0*QZMmFfVRX3KOEKqm" /></figure><p>Criando a nossa rota que vai receber o ‘post’ da página para criar o ‘predict.’</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/823/0*3cLYQeCI-H2tdYRZ" /></figure><p>Aqui é a parte mais importante do nosso arquivo <strong>index.html. <br></strong>Criamos um forma para receber o request do usuário e na class result recebemos a predição do nosso modelo enviado pelo backend.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/880/1*Tp8M8sYdCfr3rHEOj-hD5Q.png" /></figure><h3>Interface web</h3><p>Esse é o resultado da nossa página que irá receber os requests do usuário.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*cgTYBAksFHonekjM" /></figure><h4>Conclusão</h4><p>O sistema funciona bem com o dataset escolhido. Os níveis de assertividade permaneceram interessantes.</p><p>Esse projeto poderia ser elevado a um nível mais profundo, uma análise de sentimento das notícias por exemplo já deixaria muito mais robusto, porém é necessário mais tempo fazendo o tratamento dos dados.</p><p>Todos os arquivos aqui estão disponibilizados no meu github, espero que esse artigo te ajude no seus estudos ;) !</p><h4>Links</h4><p><a href="https://www.kaggle.com/c/fake-news/submissions">Kaggle</a><br><a href="https://github.com/wesleykaoru/fake-news-machine-learning-python-flask">Github</a><br><a href="https://www.linkedin.com/in/wesleywatanabe/">Linkedin</a></p><h4>Outros artigos</h4><ul><li><a href="https://medium.com/@wesleywatanabe/5-ferramentas-para-an%C3%A1lise-de-dados-python-b476c7d105ea">5 Ferramentas para Análise de dados — Python</a></li><li><a href="https://medium.com/@wesleywatanabe/data-science-machine-learning-enem-regressao-linear-5cd140459dc3">Prevendo as notas do ENEM com Machine learning — Data Science</a></li><li><a href="https://medium.com/dados/detec%C3%A7%C3%A3o-de-fraudes-em-cart%C3%A3o-de-cr%C3%A9dito-com-machine-learning-c4a966ebe08b">Detecção de fraudes em cartão de crédito com Machine Learning</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b21b4e8869ff" width="1" height="1" alt=""><hr><p><a href="https://medium.com/dados/machine-learning-desenvolvimento-e-deploy-com-python-b21b4e8869ff">Machine Learning: desenvolvimento e deploy com Python</a> was originally published in <a href="https://medium.com/dados">Dados</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[5 Ferramentas para Análise de dados — Python]]></title>
            <link>https://medium.com/@wesleywatanabe/5-ferramentas-para-an%C3%A1lise-de-dados-python-b476c7d105ea?source=rss-d725098cad73------2</link>
            <guid isPermaLink="false">https://medium.com/p/b476c7d105ea</guid>
            <category><![CDATA[analysis]]></category>
            <category><![CDATA[data-visualization]]></category>
            <category><![CDATA[machine-lear]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Wesley Watanabe]]></dc:creator>
            <pubDate>Wed, 10 Jun 2020 02:40:15 GMT</pubDate>
            <atom:updated>2020-06-10T02:40:15.643Z</atom:updated>
            <content:encoded><![CDATA[<h3>5 Ferramentas para Análise de dados — Python</h3><p>Bibliotecas em Python para auxiliar em análises.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*FMJ9AbiRRQqHd5IM" /><figcaption>Photo by <a href="https://unsplash.com/@firmbee?utm_source=medium&amp;utm_medium=referral">William Iven</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p><strong>Introdução</strong></p><p>Para aqueles que possuem atividades diárias em análise de dados já perceberam que em alguns processos sempre seguimos pelo mesmo caminho. Nesse artigo vou sugerir a você algumas bibliotecas do Python para te ajudar nessas análises.</p><p>Vamos lá 👍🏻</p><h3>Pandas Profiling</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0yZF9-W-cNnQPG76Qjj0Wg.png" /></figure><p>Se você assim como eu tem gastado horas criando gráficos, fazendo merges de dataframes essa biblioteca pode te ajudar.</p><p>A principal recurso dela é um relatório muito completo que a ferramenta gera, contendo por exemplo tipo de valores, nulls, média, valores constantes, heatmaps, histograma por feature etc.</p><p><strong>Instalação via pip</strong></p><pre>pip install pandas-profiling[notebook]</pre><p><strong>Usando</strong></p><pre>import numpy as np<br>import pandas as pd<br>from pandas_profiling import ProfileReport</pre><pre>df = pd.DataFrame(<br>    np.random.rand(100, 5),<br>    columns=[&quot;a&quot;, &quot;b&quot;, &quot;c&quot;, &quot;d&quot;, &quot;e&quot;]<br>)<br>profile = ProfileReport(df, title=&#39;Pandas Profiling Report&#39;, explorative=True)</pre><p>A ferramenta é usada direto no jupyter notebook.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AdOmGCTQ6rNZFfXtphNDGg.png" /></figure><p><strong>Página do projeto</strong></p><p><a href="https://github.com/pandas-profiling/pandas-profiling">GitHub - pandas-profiling/pandas-profiling: Create HTML profiling reports from pandas DataFrame objects</a></p><h3>TQDM</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/100/1*am2GhqYdZ4HG-4Q1XUdGyw.png" /></figure><p>Essa pequena nos ajuda com um status dos processos executados no <strong>jupyter notebook. </strong>É bem útil quando temos processos demorados como uma importação de arquivo grande.</p><p><strong>Instalação</strong></p><pre>pip install tqdm</pre><p><strong>Usando</strong></p><pre>from tqdm import tqdm<br>for i in tqdm(range(10000)):</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/820/1*r3NTBjx90ZT-Y3dUcho-bQ.png" /></figure><p><strong>Página do projeto</strong></p><p><a href="https://pypi.org/project/tqdm/">https://pypi.org/project/tqdm</a></p><h3>Streamlit</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KT7Oiw6e9NtkNopiZ8ZJag.png" /></figure><p><strong>Streamlit </strong>é um framework open source para nos auxiliar a fazer deploy de modelos de <strong>Machine Learning </strong>ou simplesmente criar visualizações dos dados (…). Com ele é possível fazer filtros nos dados, carregar arquivos, gerar gráficos através de outras bibliotecas (matplotlib, seaborn).</p><p><strong>Instalação</strong></p><pre>pip install streamlit</pre><p><strong>Usando</strong></p><pre>streamlit hello</pre><p><strong>Página do projeto</strong></p><p><a href="https://www.streamlit.io/">https://www.streamlit.io</a></p><h3>Bokeh</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/907/1*geKs2dQLdom7dCnu3q_mZA.png" /></figure><p>A biblioteca <strong>Bokeh </strong>é uma mão na roda na hora de criar dashboards, plotagens com interatividade ou aplicações de dados.</p><p><strong>Instalação</strong></p><pre>pip install bokeh</pre><p><strong>Usando</strong></p><pre>from bokeh.plotting import figure, output_file, show</pre><pre># prepare some data<br>x = [1, 2, 3, 4, 5]<br>y = [6, 7, 2, 4, 5]</pre><pre># output to static HTML file<br>output_file(&quot;lines.html&quot;)</pre><pre># create a new plot with a title and axis labels<br>p = figure(title=&quot;simple line example&quot;, x_axis_label=&#39;x&#39;, y_axis_label=&#39;y&#39;)</pre><pre># add a line renderer with legend and line thickness<br>p.line(x, y, legend_label=&quot;Temp.&quot;, line_width=2)</pre><pre># show the results<br>show(p)</pre><p><strong>Página do projeto</strong></p><p><a href="https://docs.bokeh.org/en/latest/index.html">Bokeh documentation</a></p><h3>Scrapy</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/546/1*BdkCajqw-6Kd0IYWh57avA.png" /></figure><p><strong>Scrapy </strong>é um framework para auxiliar na extração dos dados (Webscraping). O Scrapy tem muitas semelhanças como outras bibliotecas de ‘scrapping’ (Selenium e BeautifulSoup).</p><p><strong>Instalação</strong></p><pre>pip install scrapy</pre><p><strong>Usando</strong></p><pre>import scrapy</pre><pre>class BlogSpider(scrapy.Spider):<br>    name = &#39;blogspider&#39;<br>    start_urls = [&#39;https://blog.scrapinghub.com&#39;]</pre><pre>    def parse(self, response):<br>        for title in response.css(&#39;.post-header&gt;h2&#39;):<br>            yield {&#39;title&#39;: title.css(&#39;a ::text&#39;).get()}</pre><pre>        for next_page in response.css(&#39;a.next-posts-link&#39;):<br>            yield response.follow(next_page, self.parse)<br></pre><pre>scrapy runspider myspider.py</pre><p><strong>Não esqueça!</strong></p><p>Essas foram algumas dicas de bibliotecas, porém existem as mais conhecidas que você provavelmente já deve conhecer, tais como:</p><ul><li><a href="https://pandas.pydata.org/">Pandas</a></li><li><a href="https://numpy.org/">Numpy</a></li><li><a href="https://matplotlib.org/">Matplotlib</a></li><li><a href="https://seaborn.pydata.org/">Seaborn</a></li><li><a href="https://scikit-learn.org/stable/">Scikit-Learn</a></li><li><a href="https://keras.io/">Keras</a></li><li><a href="https://www.tensorflow.org/">TensorFlow</a></li><li><a href="https://www.nltk.org/">Nltk</a></li><li><a href="https://spacy.io/">Spacy</a></li></ul><p>Obrigado por ler este artigo, espero que essas dicas sejam úteis!<br>Pretendo no futuro escrever sobre algumas dessas ferramentas mais profundamente.</p><p><strong>Outros artigos</strong></p><ul><li><a href="https://medium.com/@wesleywatanabe/using-python-matplotlib-pandas-and-folium-to-data-analysis-79299493c3e4">Using Python, Matplotlib, Pandas and Folium to Data Analysis</a></li><li><a href="https://medium.com/@wesleywatanabe/data-science-machine-learning-enem-regressao-linear-5cd140459dc3">Prevendo as notas do ENEM com Machine learning — Data Science</a></li></ul><p><strong>Linkedin</strong></p><p><a href="https://www.linkedin.com/in/wesleywatanabe#">https://www.linkedin.com/in/wesleywatanabe</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b476c7d105ea" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Deepfake — Animação de imagem estática — Python]]></title>
            <link>https://medium.com/dados/deepfake-deeplearning-python-b715c2ef1615?source=rss-d725098cad73------2</link>
            <guid isPermaLink="false">https://medium.com/p/b715c2ef1615</guid>
            <category><![CDATA[python]]></category>
            <category><![CDATA[deepfakes]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[data-analysis]]></category>
            <dc:creator><![CDATA[Wesley Watanabe]]></dc:creator>
            <pubDate>Tue, 05 May 2020 19:38:04 GMT</pubDate>
            <atom:updated>2020-05-05T19:44:57.509Z</atom:updated>
            <content:encoded><![CDATA[<h3>Deepfake — Animação de imagem estática — Python / Deep learning</h3><h4>Tutorial de como usar o DeepAnimator em Python</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*eBCd7WgxjKn_bFYA.gif" /></figure><p>Resolvi usar uma biblioteca de DeepLearning para fazer alguns testes.<br>Caso você, assim como eu já viu porém nunca tenha testado esse tipo de biblioteca esse tutorial é para você!</p><p>Nesse tutorial tomei como base a demo do projeto original, o qual vou adicionar nos links de refêrencia no final deste artigo.</p><p>Vou usar o Google colab para realizar a execução dos scripts!</p><h3><strong>Primeiramente</strong></h3><p>Vamos copiar o projeto do github, e importar para o Google Colab</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/e816570002afe229d63907540b60be86/href">https://medium.com/media/e816570002afe229d63907540b60be86/href</a></iframe><h3>Adicione esse diretéorio ao Colab</h3><p>Nesse diretório no drive existem arquivos de imagem, video e arquivo de checkpoint para no nosso modelo.<br><a href="https://drive.google.com/drive/folders/1kZ1gCnpfU0BnpdU47pLM_TQ6RypDDqgw?usp=sharing"><strong>https://drive.google.com/drive/folders/1kZ1gCnpfU0BnpdU47pLM_TQ6RypDDqgw?usp=sharing</strong></a></p><h3>Carregar vídeo e imagem fonte</h3><p>Neste script abaixo vamos importar a imagem que vamos fazer a animação e o vídeo que usaremos como base:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/e206d05e64c8485641d9aa22f4891275/href">https://medium.com/media/e206d05e64c8485641d9aa22f4891275/href</a></iframe><h3>Importando modelo e checkpoint</h3><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/2faacebfcb4267113d724eaea5e15133/href">https://medium.com/media/2faacebfcb4267113d724eaea5e15133/href</a></iframe><h3>Criando a imagem animada</h3><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/0db86e74d6be1082aec0480a74152ce4/href">https://medium.com/media/0db86e74d6be1082aec0480a74152ce4/href</a></iframe><h3>Resultado:</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/690/1*n-fkQYn__tZCm2fAzvWx9g.gif" /><figcaption>Donald Trump — Monalisa</figcaption></figure><h3>Mais alguns testes:</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/690/1*xYZ194SNv11BCRsUZYP4MQ.gif" /><figcaption>Leonardo Dicaprio — Winston Churchill</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/690/1*ucGls2b8-NwtVyBFhhEeZw.gif" /><figcaption>Barck Obama — Tyrion Lannister (Game of Thrones)</figcaption></figure><h3>Face Swap</h3><p>Neste vídeo abaixo (De volta para o futuro) é exemplo de troca de rosto feita perfeitamente!</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2F8OJnkJqkyio%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3D8OJnkJqkyio&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2F8OJnkJqkyio%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/2db4362e23648b200fe6190101e44d90/href">https://medium.com/media/2db4362e23648b200fe6190101e44d90/href</a></iframe><p>Neste outro vídeo a voz do ‘Obama’ é trocada e feita as expressões nele falando. (Incrível!)</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FcQ54GDm1eL0%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DcQ54GDm1eL0&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FcQ54GDm1eL0%2Fhqdefault.jpg&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/002d8915c14edd7968069d71086104ba/href">https://medium.com/media/002d8915c14edd7968069d71086104ba/href</a></iframe><p>Também é possivel realizar outros tipos de ‘Deep Face” com esse algoritmo.<br>No github do projeto é possível seguir os tutoriais para poder usar.<br>O caminho dessa tecnologia é muito vasto, sem dúvida nenhuma é uma ótima área para se aperfeiçoar.</p><p>Agradeço a sua leitura até aqui, se puder <strong>CURTA</strong>, <strong>COMPARTILHE ! </strong>Espero que que esse tutorial ajude você de alguma forma!</p><p>Obrigado!</p><h3>Links de referência</h3><p><a href="https://github.com/AliaksandrSiarohin/first-order-model">https://github.com/AliaksandrSiarohin/first-order-model</a><br><a href="https://pt.wikipedia.org/wiki/Deepfake">https://pt.wikipedia.org/wiki/Deepfake</a></p><h3>Follow me</h3><p><strong>Github — </strong><a href="https://github.com/wesleykaoru/webscrappingpython">https://github.com/wesleykaoru</a><br><strong>Linkedin — </strong><a href="https://www.linkedin.com/in/wesleywatanabe#">https://www.linkedin.com/in/wesleywatanabe</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b715c2ef1615" width="1" height="1" alt=""><hr><p><a href="https://medium.com/dados/deepfake-deeplearning-python-b715c2ef1615">Deepfake — Animação de imagem estática — Python</a> was originally published in <a href="https://medium.com/dados">Dados</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Dicas de estudo em Data Science]]></title>
            <link>https://medium.com/dados/dicas-de-estudo-em-data-science-6dd17fa4d2a7?source=rss-d725098cad73------2</link>
            <guid isPermaLink="false">https://medium.com/p/6dd17fa4d2a7</guid>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[dados]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[ciencia-de-dados]]></category>
            <dc:creator><![CDATA[Wesley Watanabe]]></dc:creator>
            <pubDate>Wed, 22 Apr 2020 18:45:08 GMT</pubDate>
            <atom:updated>2020-05-12T15:27:46.103Z</atom:updated>
            <content:encoded><![CDATA[<p>Lista de sites e livros para ajudar nos estudos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_gf5hgSE4jRFKX9-lutBgQ.jpeg" /></figure><p>Para poder me aperfeiçoar em Data Science tenho usado o meu tempo para o aprendizado através de cursos, livros e podcasts.</p><p>Caso tenham outras formas de aprendizado deixem nos comentários para que eu possa incluir nessa lista! Vamos la!</p><h3>Sites</h3><p>O <strong>Kaggle </strong>é um ótimo site para aprendizado, nele você pode fazer alguns treinamentos básicos e participar de competições de Data Science.</p><h4><a href="http://www.kaggle.com/">www.kaggle.com</a></h4><p>A <strong>Codenation </strong>é um site que fornece acelerações de carreiras. É oferecida não somente em Data Science, mas também na área de desenvolvimento em si.</p><h4><a href="http://www.codenation.dev/">www.codenation.dev</a></h4><p><strong>Alura </strong>é um site brasileiro de cursos, e pelo que vi tem mais de 1000 cursos. Inclusive existe uma formação voltada a Data Science.</p><h4><a href="http://www.alura.com.br/">www.alura.com.br</a></h4><p>O <strong>Analytics Vidhya </strong>é um site bastante completo, tem hacktons, forum e cursos. (Conteúdo em inglês)</p><h4>www.analyticsvidhya.com</h4><p>O <strong>Data Science Academy </strong>possui várias formações ná área de AI, Machine Learning e Data Science. Alguns cursos são free.</p><h4><a href="https://www.datascienceacademy.com.br/">www.datascienceacademy.com.br</a></h4><p>O <strong>Datacamp </strong>possui várias formações para área de Data Science. Alguns cursos é possível fazer uma parte totalmente free. (Conteúdo em inglês)</p><h4><a href="https://learn.datacamp.com/">www.datacamp.com</a></h4><p>O site <strong>Data Hackers </strong>é uma comunidade brasileira de Data Science. Recomendo o slack e o podcast para fometar a sua fome de conteúdo em português.</p><h4><a href="https://datahackers.com.br/">www.datahackers.com.br</a></h4><p>O <strong>Coursera </strong>é um dos melhores sites com contéudo na área (e várias outras). O site proporciona você fazer qualquer curso em modo free, caso deseje um certificado terá um custo.</p><h4><a href="http://www.coursera.org/">www.coursera.org</a></h4><p>A udemy deve ser uma das maiores plataformas de cursos do mundo, o bom que você pode encontrar cursos em inglês e português. <br>Especificamente em Data Science fazendo uma busca rápida exitem pelo menos 10 mil cursos.</p><h4><a href="http://www.udemy.com/">www.udemy.com</a></h4><p>A Plural Sight tem vários formações em Data Science. Agora em abril/2020 estão todos free devido a quarentena.</p><h4><a href="http://www.pluralsight.com/">www.pluralsight.com</a></h4><p>Site voltado Data Science, contém vários cursos gratuitos e também pagos. (Conteúdo em inglês)</p><h4><a href="https://365datascience.com/courses/">www.365datascience.com</a></h4><h3>Livros</h3><ul><li><a href="https://amzn.to/2x6Yy9O">Como mentir com estatística</a></li><li><a href="https://amzn.to/2KssyzT">Python Data Science Handbook</a></li><li><a href="https://amzn.to/3awEL17">Storytelling com Dados: um Guia Sobre Visualização de Dados Para Profissionais de Negócios</a></li></ul><p>Espero que essas dicas sejam úteis para os seus estudos! <br>Muito obrigado.</p><p>Minhas redes:</p><p><strong>Github</strong></p><p><a href="https://github.com/wesleykaoru/webscrappingpython">https://github.com/wesleykaoru</a></p><p><strong>Linkedin</strong></p><p><a href="https://www.linkedin.com/in/wesleywatanabe#">https://www.linkedin.com/in/wesleywatanabe</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6dd17fa4d2a7" width="1" height="1" alt=""><hr><p><a href="https://medium.com/dados/dicas-de-estudo-em-data-science-6dd17fa4d2a7">Dicas de estudo em Data Science</a> was originally published in <a href="https://medium.com/dados">Dados</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Detecção de fraudes em cartão de crédito com Machine Learning]]></title>
            <link>https://medium.com/dados/detec%C3%A7%C3%A3o-de-fraudes-em-cart%C3%A3o-de-cr%C3%A9dito-com-machine-learning-c4a966ebe08b?source=rss-d725098cad73------2</link>
            <guid isPermaLink="false">https://medium.com/p/c4a966ebe08b</guid>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[data-visualization]]></category>
            <category><![CDATA[fraud]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Wesley Watanabe]]></dc:creator>
            <pubDate>Wed, 08 Jan 2020 16:18:16 GMT</pubDate>
            <atom:updated>2020-01-08T16:18:16.195Z</atom:updated>
            <content:encoded><![CDATA[<p>Criação de modelo preditivo em Python — Data Science.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Gy_rEsv0T9TSaoZN.jpg" /></figure><p><strong>Intro</strong><br>Hoje vamos desenvolver um modelo de ML (Machine Learning) para detecção de transações fraudulentas. Existem ‘n’ maneiras de fazer validações para encontrar esses tipos de transações.<br>Vamos usar a base de dados disponibilizada pelo <a href="https://www.kaggle.com/">Kaggle neste link</a> para trainar e testar o nosso modelo.</p><p>Adendo: é bem difícil de encontrar esse tipo de dataset, entendo que seja devido ao nível de segurança das informações.</p><p><strong>Mãos a obra!</strong></p><p>Importando as bibliotecas necessárias para o projeto.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/760/1*hLsy_-Qon1GTydrO38VoBA.png" /></figure><p>Importando <a href="https://www.kaggle.com/mlg-ulb/creditcardfraud"><strong>dataset </strong></a>com as transações financeiras de cartão de crédito.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/763/1*38xYPNIKGVv8VLvY4_cOkA.png" /></figure><h4>Explorando os dados</h4><p>Exibindo as colunas do dateset. As colunas foram anonimizadas através do <a href="https://scikit-learn.org/stable/modules/generated/sklearn.decomposition.PCA.html?highlight=pca#sklearn.decomposition.PCA">PCA </a>para preservar as informações iniciais. Os únicos dados que estão de forma ‘original’ é a coluna <strong>Time </strong>(Tempo entre a primeira transação do dateset e próxima), <strong>Amout </strong>(Valor da transação) e <strong>Class</strong> (Flag para definir o que é fraude)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/762/1*YrMNwX5l7NlG32KAdb6UhA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/821/1*sAYN-Usuipfwp4utv6AZRA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/761/1*61S4T1wTNyPCz5XLNmOIsA.png" /></figure><pre>Index([&#39;Time&#39;, &#39;V1&#39;, &#39;V2&#39;, &#39;V3&#39;, &#39;V4&#39;, &#39;V5&#39;, &#39;V6&#39;, &#39;V7&#39;, &#39;V8&#39;, &#39;V9&#39;, &#39;V10&#39;,<br>       &#39;V11&#39;, &#39;V12&#39;, &#39;V13&#39;, &#39;V14&#39;, &#39;V15&#39;, &#39;V16&#39;, &#39;V17&#39;, &#39;V18&#39;, &#39;V19&#39;, &#39;V20&#39;,<br>       &#39;V21&#39;, &#39;V22&#39;, &#39;V23&#39;, &#39;V24&#39;, &#39;V25&#39;, &#39;V26&#39;, &#39;V27&#39;, &#39;V28&#39;, &#39;Amount&#39;,<br>       &#39;Class&#39;],<br>      dtype=&#39;object&#39;)</pre><p>O processo da análise exploratória de dados <a href="https://en.wikipedia.org/wiki/Exploratory_data_analysis">(EDA — Exploratory Data Analysis) </a>consiste em desenvolver vários testes e informações inicias para suportar o processo.<br>Um desses passos é criar um mapa de calor das features disponíveis e encontrar as mais relevantes para o modelo de ML.<br>Para quem não conhece esse recurso, é muito simples. Quanto maior o valor da correlação entre cada variável (N a N) o gráfico fica mais claro.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/709/1*DyudZsslDaudM_7v7CFNUA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/687/1*cHJyHBP6qnaOtqS3iqvMaA.png" /><figcaption>Heatmap de features</figcaption></figure><p>Vamos manter em mente essas variáveis que possuem maior nível de correlação. <br>Dica: Não confunda correlação com causa e consequência, nem sempre isso está totalmente correlacionado.</p><p>Checando os valores nulls.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/760/1*ZV5MrL5s0kvkjiNvt3qAww.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/231/1*73GQpmowbE65La3tpsSlFw.png" /></figure><p>Geralmente é bem difícil encontrar um dataset que não possua valores ‘missing’. Nesse caso iremos poupar tempo de data cleaning e ajustes no dataset.</p><p>Análise das features em “V” em gráficos boxplot.</p><figure><img alt="Boxplot variáveis" src="https://cdn-images-1.medium.com/max/882/1*GPEpXSVzx7hGr_X0B4Rsbg.png" /><figcaption>Boxplot das variáveis (V1, V2,V3,V4,V5,V6,V7,V8 e V9)</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/883/1*7iQnRTBp0MuTPO-GbWVdXg.png" /><figcaption>Boxplot das variáveis (V10, V11,V12,V13,V14,V15,V16,V17 e V18)</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/882/1*3khJo2Og6-wQUNBpeulELg.png" /><figcaption>Boxplot das variáveis (V19, V20,V21,V22,V23,V24,V25,V26 e V27)</figcaption></figure><p>Mesmo o esse dataset ter sido disponibilizado com dados aparentemente padronizados temos uma grande quantidade de outliers conforme imagens acima. Nesse primeiro momento não vamos fazer nenhum tipo de alteração no dataset para balancear feature por feature.</p><p>Plotando a distribuição da feature “Class”.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/761/1*WqpKMDv58Q9KFKuYsDxAkg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/392/1*9UikobibYbT6IZCj5dQQug.png" /><figcaption>Total de linhas no dataset com fraude e não fraude.</figcaption></figure><p>Como temos um <strong>dateset </strong>muito desbalanceado (imagem acima) é necessário balancear os dados para criar o modelo de Machine Learning.<br>A base possui cerca de<strong> 492 casos de fraudes</strong>, dessa forma vamos selecionar essa mesma quantidade de linhas de transações normais e criar um dataset balanceado (ou retirar uma amostragem).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/683/1*FTe2u8RdcAfJdcVg4mUVAw.png" /></figure><p>Separando o dateset entre base para treinamento (X) e target (y).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/763/1*DB2m00CQVYXz1F4XosjNfg.png" /></figure><p>Separando o data para treino e teste colocando usando o <strong>shuffle </strong>para ‘embaralhar’ os dados.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/844/1*3sBp5evDyjFctGkdKknZ7Q.png" /></figure><p>Criar o modelo de regressão usando o algoritmo <a href="https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html?highlight=random%20forest#sklearn.ensemble.RandomForestClassifier"><strong>RandomForest do Sklearn.</strong></a> Treinar o modelo para ser preditivo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/844/1*pFqoB-_ARmNQeL-FxtIMew.png" /></figure><p><strong>Treinando e testando o modelo</strong></p><p>Vamos usar dois métodos para verificar a efetividade do nosso modelo. O <a href="https://scikit-learn.org/stable/modules/generated/sklearn.metrics.accuracy_score.html">ACCURRACY SCORE</a> e o <a href="https://scikit-learn.org/stable/modules/generated/sklearn.metrics.roc_auc_score.html?highlight=roc#sklearn.metrics.roc_auc_score">ROC AUC SCORE.</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/751/1*CW9J_i6hqPHSV66PJPENBA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/750/1*ZCzqzXP5XyeP3fzI7YPk1g.png" /></figure><h4>Conclusão</h4><p>Apesar que o dataset omitir as informações na sua forma bruta, isso não é um impeditivo para criarmos o modelo preditivo. Esse dataset já vem de uma forma muito amigável para trabalhar com os dados, o que deixa um pouco do trabalha de um cientista de dados bem mais fácil.</p><p>Para um bom aprendizado nessa área eu sugiro fortemente você testar vários <strong>datasets</strong> de formatos e situações diferentes.</p><p>O código fonte do notebook usado no artigo está disponibilizado no Kaggle.</p><p><strong>Referências e Links úteis</strong></p><ul><li><a href="https://scikit-learn.org/stable/index.html">scikit-learn</a></li><li><a href="https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html">RandomForestClassifier</a></li><li><a href="https://www.kaggle.com/mlg-ulb/creditcardfraud">Credit Card Fraud Detection</a></li><li><a href="http://wesleykaoru.github.io/Home">Wesley Watanabe - Business Intelligence | Data Analysis | Data Science</a></li></ul><p><strong>Github</strong></p><p><a href="https://github.com/wesleykaoru/webscrappingpython">https://github.com/wesleykaoru</a></p><p><strong>Linkedin</strong></p><p><a href="https://www.linkedin.com/in/wesleywatanabe#">https://www.linkedin.com/in/wesleywatanabe</a></p><p><strong>Kaggle notebook</strong></p><p><a href="https://www.kaggle.com/wesleywatanabe/credit-fraud-random-forest-classifier">https://www.kaggle.com/wesleywatanabe/credit-fraud-random-forest-classifier</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c4a966ebe08b" width="1" height="1" alt=""><hr><p><a href="https://medium.com/dados/detec%C3%A7%C3%A3o-de-fraudes-em-cart%C3%A3o-de-cr%C3%A9dito-com-machine-learning-c4a966ebe08b">Detecção de fraudes em cartão de crédito com Machine Learning</a> was originally published in <a href="https://medium.com/dados">Dados</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Análise de dados de Benefícios concedidos no Brasil — Python]]></title>
            <link>https://medium.com/dados/an%C3%A1lise-de-dados-de-benef%C3%ADcios-concedidos-no-brasil-python-d792362640cd?source=rss-d725098cad73------2</link>
            <guid isPermaLink="false">https://medium.com/p/d792362640cd</guid>
            <category><![CDATA[governo]]></category>
            <category><![CDATA[brasil]]></category>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[dados]]></category>
            <dc:creator><![CDATA[Wesley Watanabe]]></dc:creator>
            <pubDate>Wed, 06 Nov 2019 11:58:32 GMT</pubDate>
            <atom:updated>2019-11-06T11:58:32.014Z</atom:updated>
            <content:encoded><![CDATA[<h3>Análise de dados de Benefícios concedidos no Brasil — Python</h3><p>Análise quantitativa com dados do site dados.gov</p><p><strong>Intro<br></strong>Com a aprovação das mudanças na previdência agora em Outubro/19, resolvi criar uma análise bem simples de alguns dados relacionados a benefícios do governo federal.</p><p><strong>Fonte dos dados<br></strong>Origem dos dados: Governo Federal<br>Período avaliado: Janeiro de 2019 à Agosto de 2019<br><a href="http://dados.gov.br/dataset/beneficios-concedidos">http://dados.gov.br/dataset/beneficios-concedidos</a></p><p><strong>Como<br></strong>Análise feita com jupyter-notebook(Python) e ferramentas de infográfico.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/841/1*mtKAs9I4niWWs1flR6itsQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/834/1*FcoZppSQDYu6U7hnd_iaNQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/833/1*yRSX1nPocAvVwICBcn57uQ.png" /></figure><p><strong>Github<br></strong><a href="https://github.com/wesleykaoru/webscrappingpython">https://github.com/wesleykaoru/</a></p><p><strong>Linkedin<br></strong><a href="https://www.linkedin.com/in/wesleywatanabe/">https://www.linkedin.com/in/wesleywatanabe/</a></p><p><strong>Artigos<br></strong><a href="https://wesleykaoru.github.io/Home/">https://wesleykaoru.github.io/Home</a></p><p><strong>Notebook<br></strong><a href="http://bit.ly/36FFlJh">http://bit.ly/36FFlJh</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d792362640cd" width="1" height="1" alt=""><hr><p><a href="https://medium.com/dados/an%C3%A1lise-de-dados-de-benef%C3%ADcios-concedidos-no-brasil-python-d792362640cd">Análise de dados de Benefícios concedidos no Brasil — Python</a> was originally published in <a href="https://medium.com/dados">Dados</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Web scraping com Python]]></title>
            <link>https://medium.com/dados/web-scraping-com-python-45531a6138c9?source=rss-d725098cad73------2</link>
            <guid isPermaLink="false">https://medium.com/p/45531a6138c9</guid>
            <category><![CDATA[python]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[web-scraping]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[analysis]]></category>
            <dc:creator><![CDATA[Wesley Watanabe]]></dc:creator>
            <pubDate>Mon, 08 Jul 2019 21:15:36 GMT</pubDate>
            <atom:updated>2019-07-10T12:12:04.304Z</atom:updated>
            <content:encoded><![CDATA[<p>Usando Python para extrair informações e tabular.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*ok4WgGkYDdWFzIwCa3cjeg.png" /><figcaption>source: internet</figcaption></figure><p>Grande parte do tempo de um analista de dados / cientista de dados não é gerar modelos preditivos, e sim fazer o tratamento de bases de dados que podem virem de qualquer lugar e de vários formatos. Uma dessas fontes pode ser por exemplo uma página da web, onde a qual não fornece uma api ou uma outra forma para extrair seus dados.</p><p>Dentro desse cenário hoje quero demonstrar a extração de dados via ‘web scraping’, na qual consiste de fazer a extração de dados via web (lógico não!?).</p><p>Esse processo pode ser feito através de várias linguagens (java, r etc..), e a qual vamos usar é o Python, que em conjunto da biblioteca do pandas se tornam ferramentas poderosas para a extração e manipulação dos dados.</p><p><strong>Mas por quê fazer web scrapping?</strong></p><p>E se você precisasse monitorar alguma hashtag? ou conseguir informações de sites do seu concorrente de forma automática? São muitos os motivos e as finalidades para tal atividade, e é claro, todas podem gerar uma vantagem para o negócio/atividade.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*e2qRZ3tWynyoIZtgOTJzEA.jpeg" /></figure><p>Vamos começar!</p><p><strong>Indíce:</strong></p><ol><li><strong>Bibliotecas necessárias</strong></li><li><strong>Extração de dados</strong></li><li><strong>Visualização de dados</strong></li><li><strong>Exportar</strong></li><li><strong>Conclusão</strong></li><li><strong>Referências</strong></li></ol><p><strong>Importando as bibliotecas necessárias.</strong><br>Importante: BeautifulSoup é uma das principais bibliotecas para fazer web scraping.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/650/1*mUt-693g2rAJYD2piBluMA.png" /></figure><p>URL: nós definimos a URL que vamos fazer a extração dos dados.<br>RESP: fazemos um request usando a url acima.<br>SOUP: recebemos o código html.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/650/1*75cY1Sk7a2HVKS2XcPwI9Q.png" /></figure><p>Ao fazer o html parser usando a biblioteca BeautifulSoup irá retornar um código HTML igual este abaixo (variável soup).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/644/1*68Av5tweBiBkNagElIvg4g.png" /><figcaption>HTML continua…</figcaption></figure><p><strong>Extração dos dados</strong></p><p>Partindo do princípio que você possui um conhecimento básico de HTML, vamos analisar na página do imdb o qual o contéudo vamos extrair.</p><p>Acessando o link que fizemos a extração do html e visualizando o código:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/650/1*l5_vy3HjRnoZMgOlw72y-w.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/665/1*boxOUGnnWIS0GvgrrbGSIQ.png" /></figure><p>Aqui onde a ‘mágica’ funciona, selecionamos classes (em laranja) dentro de classes atráves do find e find_all. Os dados em verde são aqueles que desejamos extrair, mostrados na lista acima.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/712/1*eBBHAdNS99nSGJsaoS85TQ.png" /></figure><p>Os dois ‘FOR’s acima são para extrair nome e ano do filme, e o segundo para extrair a nota do filme. Desse maneira vamos economizar em fazer quebras de strings para pegar somente os dados que precisamos.</p><p>Agora que temos os dados extraídos, vamos salvá-los em em listas para podermos jogarmos em um dataframe do pandas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/650/1*RUcVEpLeHY7tzwDr5lic2g.png" /></figure><p>Ainda precisamos tratar esses dados, vamos retirar os parentes do ano e os espaços em branco da coluna do nome do filme.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/523/1*MKSiBruFpkNKZ8HGDoMoCw.png" /><figcaption><strong>Parênteses</strong></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/529/1*RIH2maaClb5wgbe9QCPcow.png" /><figcaption><strong>Espaços em branco</strong></figcaption></figure><p>Removendo os espaços de inicio/final de strings e parênteses através de regex.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/650/1*ddzLZCTEHuleY5XIio6mMg.png" /></figure><p>Já que temos os valores em listas, criamos um dataframe passando essas listas e os nomes das colunas que desejamos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/650/1*hanjGSgrHOK_gYHFqjmHvw.png" /></figure><p><strong>Visualização dos dados</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/378/1*iKl2lKIfYh3tY_DG7lbqGA.png" /></figure><p>Como a estrutura do site para exibir a lista categorias é a mesma, você pode testar com outros links e o resultado vai ser tão bom quanto (Verificar a estrutura / html do site). Exemplo abaixo com o endereço de séries de tv, precisando apenas mudar a coluna movie.</p><p><a href="https://www.imdb.com/chart/toptv">https://www.imdb.com/chart/toptv</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/417/1*YRhNud7FAtJRFPr7xBfUKA.png" /></figure><p><strong>Exportar</strong></p><p>Caso deseje você pode salvar a sua base em arquivo xlsx ( ou outro formato) para abrir no excel por exemplo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/650/1*PVm20vOLogl3bFp80WDBiA.png" /></figure><p>Resultado:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/504/1*EcvgBxA0aNGTWOFkoJ8JAA.png" /></figure><p><strong>Conclusão</strong></p><p>Essa foi uma pequena pincelada de como fazer web scraping e como pode ser muito útil no dia a dia de quem trabalha com dados vindo de ’n’ fontes. E como com apenas algumas linhas de código é possível fazer uma extração completa de alguns sites.<br>Caso tenha alguma dúvida deixe nos comentários que respondo em breve!</p><p>Obrigado pela leitura!</p><p><strong>Referências</strong></p><p><a href="https://www.w3schools.com/python/python_regex.asp">W3Schools.com</a></p><p><a href="https://www.crummy.com/software/BeautifulSoup/bs4/doc/">https://www.crummy.com/software/BeautifulSoup/bs4/doc</a>/</p><p><a href="https://2.python-requests.org/en/master/">https://2.python-requests.org/en/master/</a></p><p><strong>Github<br></strong><a href="https://github.com/wesleykaoru/webscrappingpython">https://github.com/wesleykaoru/webscrappingpython</a></p><p><strong>Linkedin<br></strong><a href="https://www.linkedin.com/in/wesleywatanabe/">https://www.linkedin.com/in/wesleywatanabe/</a></p><p><strong>Artigos<br></strong> <a href="https://wesleykaoru.github.io/Home/">https://wesleykaoru.github.io/Home</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=45531a6138c9" width="1" height="1" alt=""><hr><p><a href="https://medium.com/dados/web-scraping-com-python-45531a6138c9">Web scraping com Python</a> was originally published in <a href="https://medium.com/dados">Dados</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Inteligência Artificial: Análise de sentimentos com Python]]></title>
            <link>https://medium.com/@wesleywatanabe/inteligencia-artificial-python-nltk-pandas-pln-3dbfda430382?source=rss-d725098cad73------2</link>
            <guid isPermaLink="false">https://medium.com/p/3dbfda430382</guid>
            <dc:creator><![CDATA[Wesley Watanabe]]></dc:creator>
            <pubDate>Wed, 26 Jun 2019 01:40:54 GMT</pubDate>
            <atom:updated>2019-06-27T13:11:43.786Z</atom:updated>
            <content:encoded><![CDATA[<h4>Um tutorial de Processamento de Linguagem Natural com NLTK, Pandas, Numpy e Matplotlib.</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*2vhY-7U57DSkc98UACvb2Q.jpeg" /></figure><p>A definição da Wikipedia de Processamento de linguagem natural (PLN) é:</p><blockquote>Uma subárea da <a href="https://pt.wikipedia.org/wiki/Ci%C3%AAncia_da_computa%C3%A7%C3%A3o">ciência da computação</a>, <a href="https://pt.wikipedia.org/wiki/Intelig%C3%AAncia_artificial">inteligência artificial</a> e da <a href="https://pt.wikipedia.org/wiki/Lingu%C3%ADstica">linguística</a> que estuda os problemas da geração e compreensão automática de <a href="https://pt.wikipedia.org/wiki/L%C3%ADnguas_naturais">línguas humanas naturais</a>. Alguns desafios do PLN são compreensão de língua natural, fazer com que computadores extraiam sentido de linguagem humana ou natural e geração de língua natural.</blockquote><p>O propósito deste artigo é abordar a extração do sentimento da linguagem humana, aprender com uma base de conhecimento e poder gerar resultados automáticos desses inputs.</p><p><strong>O que vamos fazer:</strong></p><ul><li>Carregar dados</li><li>Fazer a manipulação e transformação desse dados</li><li>Criar um modelo e treiná-lo</li><li>Avaliar a acuracidade do modelo com dados de teste</li><li>Criar um gráfico de análise de sentimento dos dados recebidos</li></ul><p><strong>Pré processamento</strong>: Na base original fornecida no Kaggle temos aproximadamente 500 mil linhas, como o processamento de uma grande quantia como essa pode demorar bastante, eu peguei uma amostra bem menor para podermos usar no nosso modelo de NLP (Natural Language Processing). <br>A base original foi traduzida literalmente (“aparentemente”) por alguma ferramenta de tradução automática, então os textos podem não fazer tanto sentido em português em alguns casos.</p><h4>Arquivos usados nesse artigo:</h4><p><strong>Download do dataset original:</strong> <br><a href="https://www.kaggle.com/luisfredgs/imdb-ptbr/kernels">https://www.kaggle.com/luisfredgs/imdb-ptbr/kernels</a></p><p><strong>Download dados usados nesse tutorial:</strong> <a href="https://drive.google.com/drive/folders/1hwhqN-CUIGGZZXpVnka08yaItZsMQapx?usp=sharing">https://drive.google.com/drive/folders/1hwhqN-CUIGGZZXpVnka08yaItZsMQapx?usp=sharing</a></p><p><strong>Mãos a obra:</strong></p><p>Vamos importar o <a href="https://www.nltk.org/">NLTK </a>( Natural Language Toolkit ), uma das bibliotecas mais usadas para processamento de linguagem natural.</p><p>Após isso importamos a nossa base reduzida através do pandas.</p><p>Aplicamos um ‘group by’ por tipo de sentimento na base para identificar como os dados estão separados.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*oxjyawy0k2YFkYJTIT3rLA.png" /></figure><p>Vamos começar a tratar os dados para o nosso modelo de ml. Nessa parte removemos a coluna do dataset em inglês e adicionamos uma coluna de 0 e 1 de acordo com a coluna de sentimento.</p><p>Quando trabalhamos com análises de textos é geralmente usado palavras (salvo exceções) em minúsculo, pelo simples fato que a palavra “Carro” não pode ser diferente de “carro” para o modelo.</p><p>Função simples para remover brackets.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*21ukq90qyVpz-0NoOAw_1Q.png" /></figure><p><strong>Tokenização, Stemmer e StopWords</strong>: Essa é a parte mais demorado para preparar os dados para o modelo. Aqui criamos uma tokenização dos dados, aplicamos a remoção de stop words (palavras que não agregam na frase) e apos isso o Stemming (Remoção dos sufixos). Esses conceitos são bem importantes para esse processo, recomendo uma leitura mais profunda sobre.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*TawswmQvmWbCTqEBvfx_2Q.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/410/1*2kAwCd8G5oeQXYU9Luf5dQ.png" /><figcaption>Remoção de sufixos</figcaption></figure><p>Criamos um token com regex para remover alguns símbolos e números.<br>Iniciamos um <a href="https://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.CountVectorizer.html">CountVectorizer</a>, para podermos aplicar no texto. Importante, aqui aplicamos o <strong>ngram_range (1,2)</strong>, onde determinamos o tamanho minimo e máximo de um <a href="https://blog.xrds.acm.org/2017/10/introduction-n-grams-need/">Ngram</a>. <br>E finalmente convertemos text_pt para uma matriz sparsa, e logo após imprimimos o vocabulário do CountVectorizer.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*ih2CohKqhAs8ebVmtZnnpg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*llx0ZoI89YE4H_9SHlYrcQ.png" /><figcaption>Exemplo de como os dados ficam numa matriz sparsa</figcaption></figure><p>Nesse momento vamos dividir o nosso dataframe em duas partes, uma parte de treino e outra para teste.</p><p>Como essa base já possui o tipo de sentimento para cada texto (Temos um target (Y) ), vamos aplicar o tipo de <a href="https://en.wikipedia.org/wiki/Supervised_learning">aprendizado supervisionado.</a><br>Usando o <a href="https://scikit-learn.org/stable/modules/generated/sklearn.naive_bayes.MultinomialNB.html">Naive Bayes — MultinomiaNB</a> do scikit-learn, aplicamos o treino e fazemos um predict dos dados de teste.</p><p>A acuracidade do modelo nós traz um percentual de acerto de 91% com os dados de teste. O próximo passo é usar o modelo com dados novos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/763/1*1EjGpPTkHVP34X_3e_fs3Q.png" /></figure><p>Lê o arquivo de texto para separar em parágrafos e frases. Usei no exemplo um texto de uma crítica de cinema, o arquivo consta no início do artigo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/701/1*1Xwe2HqjCspUSyFyedDRzw.png" /></figure><p>O código abaixo é muito semelhante ao primeiro processamento feito na parte de cima, a minha escolha de não acoplar em funções foi para que eu possa fazer algum tipo de pre-processamento dos dados diferente (num futuro) de uma base não 100%, por exemplo um dados vindo de um web scrapping. Portanto aplicações parecidas, com a diferença que estou analisando frase por frase e gerando um contador de positivo e negativo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/666/1*bQ7hxX2TP8ov3ACD_JNSSA.png" /></figure><p>Com os nossos dados contabilizados em quantidade de negativo e positivo o próximo passo é criar um gráfico de pizza.<br>Nesse caso passamos o dataframe com os valores e geramos o gráfico usando a biblioteca <a href="https://matplotlib.org/"><strong>matplotlib</strong></a>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/669/1*reee31UqK6TM5fEIGC4xAw.png" /></figure><p><strong>Gráfico gerado:</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/414/1*cw-hGchEU2vRoKhpFqcOdA.png" /></figure><p>Espero que eu tenha te ajudado a absorver o conhecimento contido neste artigo, há muitas possibilidades de aplicações de NPL no nosso dia a dia. Pretendo fazer mais artigos nessa linha, caso tenho alguns sugestão comente.</p><p><strong>Github</strong></p><p><a href="https://github.com/wesleykaoru/npl_nltk">https://github.com/wesleykaoru/npl_nltk</a></p><p>Obrigado por ler esse artigo!!!</p><p>Você pode me achar no Linkedin: <a href="https://www.linkedin.com/in/wesleywatanabe/">https://www.linkedin.com/in/wesleywatanabe/</a></p><p><strong>Wesley Watanabe</strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3dbfda430382" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Using Python, Matplotlib, Pandas and Folium to Data Analysis]]></title>
            <link>https://medium.com/@wesleywatanabe/using-python-matplotlib-pandas-and-folium-to-data-analysis-79299493c3e4?source=rss-d725098cad73------2</link>
            <guid isPermaLink="false">https://medium.com/p/79299493c3e4</guid>
            <category><![CDATA[folium]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[data-analytics]]></category>
            <category><![CDATA[pandas]]></category>
            <dc:creator><![CDATA[Wesley Watanabe]]></dc:creator>
            <pubDate>Fri, 07 Jun 2019 16:04:30 GMT</pubDate>
            <atom:updated>2019-06-07T16:04:30.424Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*q1Kzs7KsEdMP3jQrciGC2A.jpeg" /></figure><p>The propose this article is work with a dataset and generate informations about them. Dataset we will use here I found in Kaggle, I select file “boletins-de-ocorrencia-sp-2016.zip” on link below:</p><ul><li><a href="https://www.kaggle.com/inquisitivecrow/crime-data-in-brazil">https://www.kaggle.com/inquisitivecrow/crime-data-in-brazil</a></li></ul><h3>About Dataset</h3><p>This dataset contains structured data about all crime occurrences that have been acted upon by the PM, the main police force in Sao Paulo. The dataset is not consistent in its completeness, as some of the towns comprising the Greater Sao Paulo were slow in collecting full data. It also does not contain the actual historic of each crime report, as that would violate privacy.</p><h3>Let’s work</h3><p>I will use Jupyter notebook for executing Python code.</p><p>Note: you can install packages by <a href="https://packaging.python.org/tutorials/installing-packages/">terminal </a>or <a href="https://anaconda.org/anaconda">anaconda</a>.</p><h3>Importing</h3><pre># libraries import<br>import pandas as pd<br>import numpy as np<br>import matplotlib.pyplot as plt<br>from folium import plugins<br>%matplotlib inline</pre><h3>Dataframe</h3><pre><em># Creating dataframe</em><br>df = pd.read_csv(&#39;dataset_sp_2016.csv&#39;, sep=&quot;,&quot; , encoding=&quot;UTF8&quot; )</pre><h3>Transforming dataset</h3><p>It’s really import to understand your dataset, code below I’m removing some colums, replacing NaN and other stuffs.</p><pre><em># Removing columns</em><br>df = df.drop([&#39;desdobramento&#39;, &#39;ano_bo&#39;, &#39;flag_status&#39;,<br> &#39;flag_status_2&#39; , &#39;location&#39; ],1)</pre><pre><em># Replacing &#39;NaN&#39; for &#39;OUTROS&#39;&quot;</em><br>df[&#39;conduta&#39;] = df[&#39;conduta&#39;].fillna(&#39;OUTROS&#39;)</pre><h3>Checking dataset</h3><pre># You can check if columns were removed<br>df.head()</pre><h3>Selection</h3><p>Checking how many offenses type we have:</p><p>Adicione a descrição</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/328/0*r8wiiCElcN2t8Kd_" /></figure><p>36 is a big number to use, let’s see as occurrences are divided:</p><pre><em># Creating a list</em><br>df2 = df.rubrica<br>df2.groupby([df.rubrica]).count().sort_values(ascending=False)</pre><p>Adicione a descrição</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/715/0*cL2Jx2nCKbr5Oqsr" /></figure><p>As we can see, a major part of our occurrences are related only 19 items. Therefore, I will choose to select only them:</p><h3>Plotting charts</h3><pre><em># Start config</em><br>fig, ax = plt.subplots()</pre><pre><em># Data example (y)</em><br>infractions =   [&#39;Roubo (art. 157)&#39;,<br>&#39;Furto (art. 155)&#39;,<br>&#39;Furto qualificado (art. 155, §4o.)&#39;,<br>&#39;Lesão corporal (art. 129)&#39;,<br>&#39;Lesão corporal culposa na direção de veículo automotor (Art. 303)&#39;,<br>&#39;Lesão corporal (art 129 § 9º)&#39;,<br>&#39;Drogas sem autorização ou em desacordo (Art.33, caput)&#39;,<br>&#39;A.I.-Drogas sem autorização ou em desacordo (Art.33, caput)&#39;,<br>&#39;A.I.-Roubo (art. 157)&#39;,<br>&#39;Homicídio simples (art. 121)&#39;,<br>&#39;A.I.-Lesão corporal (art. 129)&#39;,<br>&#39;Lesão corporal culposa (art. 129. §6o.)&#39;,<br>&#39;A.I.-Furto (art. 155)&#39;,<br>&#39;Homicídio culposo na direção de veículo automotor (Art. 302) &#39;,<br>&#39;A.I.-Furto qualificado (art. 155, §4o.)&#39;,<br>&#39;Homicídio qualificado (art. 121, §2o.)&#39;,<br>&#39;A.I.-Lesão corporal culposa na direção de veículo automotor (Art. 303)&#39;,<br>&#39;Lesão corporal de natureza GRAVE (art. 129, §1o.)&#39;,<br>&#39;A.I.-Lesão corporal (art 129 § 9º)&#39;<br>]<br></pre><pre><em># Let&#39;s create a second dataframe to count after how many infractions we have.</em><br>df2 = df.rubrica<br></pre><pre><em># Defining  our variables</em><br>y_pos = np.arange(len(infractions))<br>off_types = df2.groupby([df.rubrica]).count().sort_values(ascending=False).iloc[:19]<br></pre><pre><em># Setting chart</em><br>ax.barh(y_pos, off_types, align=&#39;center&#39;,alpha=0.3)<br>ax.set_yticks(y_pos)<br>ax.set_yticklabels(infractions)<br>ax.invert_yaxis()<br>ax.set_title(&#39;Offenses type&#39;)<br></pre><pre><em># Plotting</em><br>plt.show()</pre><p>Adicione a descrição</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/0*65MjYBofOwfklMfH" /></figure><h3>How about by month?</h3><p>Let’s create a count of offenses (crimes) by month to know which month in 2016 São Paulo has more offenses.</p><pre># Using np.arange<br>df_month = np.arange(1,13)<br></pre><pre># Counting infrations by month<br>temp = df.mes<br>df_offenses = temp.groupby([df.mes]).count()<br></pre><pre>plt.rcdefaults()<br>fig, ax = plt.subplots()<br></pre><pre># Defining  variables<br>x = df_month<br>y = df_offenses<br>y_mean = np.mean(y)<br></pre><pre># Setting labels<br>plt.title(&#39;Monthly offenses&#39;)<br>ax.set_ylabel(&#39;Offenses&#39;)<br></pre><pre># Plotting bar<br>plt.bar(x, y, align=&#39;center&#39;, alpha=0.3)<br>plt.plot(y_mean)<br></pre><pre># Plotting mean line<br>plt.axhline(y=y_mean, color=&#39;r&#39;, linestyle=&#39;--&#39;)<br></pre><pre># Ticks<br>plt.xticks(x,(&#39;Jan&#39;,&#39;Feb&#39;,&#39;Mar&#39;,&#39;Apr&#39;,&#39;Mai&#39;,&#39;Jun&#39;,&#39;Jul&#39;,&#39;Aug&#39;,&#39;Sep&#39;,&#39;Oct&#39;,&#39;Nov&#39;,&#39;Dec&#39;))<br></pre><pre># Legend<br>plt.legend( (&#39;&#39;,&#39;Mean&#39;,&#39;Offenses&#39;), loc=&#39;best&#39;, bbox_to_anchor=(0.0, 0.3, 1.3, 0.5) )<br></pre><pre># Plot chart<br>plt.show()</pre><p>Adicione a descrição</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/731/0*BvPDjrtPK1oV2xjd" /></figure><h3>Maps</h3><p>Heatmap provides a helpful explanation from data. Now we will create using library FOLIUM to create a map with offenses in São Paulo. Here we are using latitude and longitude from our dataset.</p><pre><em># Saving lat e lon and removing NaN</em><br>points = (df.latitude.fillna(0),df.longitude.fillna(0))<br>coordinates =[]<br></pre><pre><em># Setting lat and long </em><br>lat = points[0]<br>long = points[1]<br></pre><pre><em># Latitude and longitude that will open map. Here I put central of city São Paulo</em><br>mapa = folium.Map(location=[-23.5489, -46.6388])<br></pre><pre><em># Append latitude and longitude coordinates array</em><br>for la,lo in zip(lat,long):<br>    coordinates.append([la,lo])</pre><pre>   <br><em># We have about 700000 lines, but jupyter notebook ins&#39;t possible to show all these points.</em><br><em># To impress all data you can salve as a html file </em><br><em>#mapa.save(&quot;map.html&quot;)</em><br></pre><pre><em># Or to show onlye a piece</em><br>mapa.add_child(plugins.HeatMap(coordinates[0:40000]))</pre><h3>Heatmap</h3><p>Adicione a descrição</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/680/0*qfmKaw-OajJ5Lefw" /></figure><p>Adicione a descrição</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/657/0*ecf3yVSuMEFUkQ-n" /></figure><h3>Map with marker</h3><p>It’s possible to create points in map with marker (as google maps), code below will create only 500 points in map due to jupyter notebook limitation.</p><pre><em># Define our key point when map open it</em><br>map2 = folium.Map(location=[-23.5489, -46.6388])<br></pre><pre>for la,lo in zip(lat[0:500],long[0:500]):<br>    folium.Marker(<br>        location=[la,lo],<br>        icon=folium.Icon(icon_color=&#39;white&#39;)<br>    ).add_to(map2)</pre><pre><em># Plotting </em><br>map2</pre><p>Adicione a descrição</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/670/0*lmv94CB1Dvw3hBGW" /></figure><p>If you wish you can put information as pop up in each marker to explain something. Folium provides many features to edit and custom maps, check the documentation to know more about it.</p><h3>About our data / Insights</h3><p>After our small analisys we can consider:</p><ul><li>The major offenses(crimes) occurrences are related to theft.</li><li>March and October are months with more offenses, maybe I could infer march’s numbers are connect with carnival and June’s numbers is related to school holidays. But it’s only a guess, our data don’t support this decision.</li><li>There is a expressive average of offenses by month. It’s important to know data related to rape crimes was removing from original Dataset. (<a href="https://www.kaggle.com/inquisitivecrow/crime-data-in-brazil">Informations about dataset</a>)</li><li>Heatmap can provide a good overview of our dateset, but it’s more efficient when we use to small areas (due to quantity). These information for instance could be help Police how to allocate his soldiers or to create a routine.</li></ul><h3>A step forward / Ideias</h3><p>If you wants to deep learning about this dataset take some tips:</p><ul><li>Compare this Dataset with another years (2007–2016).</li><li>Create a heatmap with all years.</li><li>Create a Marker map with clusters.</li><li>Work it with street name, may can provide a insight.</li></ul><h3>Thank you</h3><p>Python language is a powerful tool when we wants to do Data Analysis , I hope this article was helpful to understands a basic about Python language and yours libraries.</p><p>There are many libraries when we work with data (Seaborn, ggplot, Bokeh, Plotly..etc).</p><p>Thank you again for reading this article!</p><p><strong>Linkedin</strong>: <a href="http://www.linkedin.com/in/wesleywatanabe">www.linkedin.com/in/wesleywatanabe</a></p><h3>References</h3><p><a href="https://python-visualization.github.io/folium/">https://python-visualization.github.io/folium/</a></p><p><a href="https://matplotlib.org/">https://matplotlib.org/</a></p><p><a href="https://pandas.pydata.org/">https://pandas.pydata.org/</a></p><p><a href="https://www.anaconda.com/">https://www.anaconda.com/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=79299493c3e4" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Prevendo as notas do ENEM com Machine learning — Data Science]]></title>
            <link>https://medium.com/@wesleywatanabe/data-science-machine-learning-enem-regressao-linear-5cd140459dc3?source=rss-d725098cad73------2</link>
            <guid isPermaLink="false">https://medium.com/p/5cd140459dc3</guid>
            <category><![CDATA[python]]></category>
            <category><![CDATA[enem]]></category>
            <category><![CDATA[análise-de-dados]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Wesley Watanabe]]></dc:creator>
            <pubDate>Wed, 15 May 2019 18:14:51 GMT</pubDate>
            <atom:updated>2020-07-08T23:31:28.247Z</atom:updated>
            <content:encoded><![CDATA[<h3>Prevendo as notas do ENEM com Machine learning — Data Science</h3><h4>Criando um modelo preditivo com Python, Scikit learn e Jupyter/Colab.</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*GHh-Z5yvbFATvLYl.jpg" /><figcaption>Imagem da internet</figcaption></figure><p>Calma calma! Se você caiu aqui com a ideia que ia ser dar bem no ENEM sem estudar não é essa a idea! Mas se você já conhece ou ouvir falar sobre <strong>Machine Learning</strong> sabe que a chamada desse artigo é pouco sensacionalista.<br>Mas sim, é possível ‘prever’ as notas, e isso que o <a href="https://www.codenation.dev/"><strong>Codenation</strong></a><strong> </strong>propõe num desafio no seu site, no caso a nota da prova de matemática.</p><p>Aproveitando para comentar, lá não possui somente desafios de Data Science, nesse momento existem mais dois desafios acontecendo: ‘JAVA’ e ‘Python para Web’. Para saber mais sobre esses desafios e o programa de aceleração de carreira acesse o site do <a href="https://www.codenation.dev/"><strong>Codenation</strong></a>.</p><p><strong>Lembrando que o propósito deste artigo é:</strong></p><ul><li>Apresentar o desafio.</li><li>Mostrar algumas análises feitas.</li><li>Dicas</li></ul><p><strong>Vamos ao que interessa !</strong></p><h3>1 - Iniciando:</h3><p>É necessário instalar várias coisas, porém para facilitar a nossa vida podemos instalar o ANACONDA, com ele será instalado as bibliotecas necessárias, o Python e o Jupyter Notebook.</p><p>Ou mais fácil ainda, podemos usar o <a href="https://colab.research.google.com/">Colab</a> do Google, onde é necessário somente uma conta Google para ter um “Jupyter notebook” no navegador.</p><h3>2 - Entendendo o nosso problema:</h3><p>O contexto do desafio gira em torno dos resultados do ENEM 2016 (<a href="https://github.com/wesleykaoru/Codenation/tree/master/Data_Science/datasets">disponíveis no arquivo train.csv</a>). Este arquivo, e apenas ele, deve ser utilizado para todos os desafios. Qualquer dúvida a respeito das colunas, consulte o <a href="https://s3-us-west-1.amazonaws.com/acceleration-assets-highway/data-science/dicionario-de-dados.zip">Dicionário dos Microdados do Enem 2016</a>.</p><p>Muitas universidades brasileiras utilizam o ENEM para selecionar seus futuros alunos e alunas. Isto é feito com uma média ponderada das notas das provas de matemática, ciências da natureza, linguagens e códigos, ciências humanas e redação, com os pesos abaixo:</p><p>matemática: 3 <br>ciências da natureza: 2<br>linguagens e códigos: 1.5<br>ciências humanas: 1<br>redação: 3</p><p>No arquivo test.csv crie um modelo para prever nota da prova de matemática (coluna <strong>NU_NOTA_MT</strong>) de quem participou do ENEM 2016.</p><p>Salve sua resposta em um arquivo chamado answer.csv com duas colunas: <strong>NU_INSCRICAO</strong> e <strong>NU_NOTA_MT</strong>.</p><h3>3 — Mão na massa</h3><p><strong>Importando os dados com o Colab:</strong></p><pre><strong>import </strong>numpy <strong>as</strong> np<br><strong>import </strong>pandas <strong>as</strong> pd<br><strong>from</strong> sklearn <strong>import </strong>metrics</pre><pre>df_train = pd.read_csv(&#39;train.csv&#39;, sep=&quot;,&quot; , encoding=&quot;UTF8&quot; )<br>df_test = pd.read_csv(&#39;test.csv&#39;, sep=&quot;,&quot; , encoding=&quot;UTF8&quot; )</pre><p><strong>Quais colunas temos na base de test para trabalhar ?</strong></p><pre>df_test.columns</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/849/1*zeGAbd0ZfwVwTxCnVHA-Sg.png" /></figure><p><strong>Vamos verificar quais Features tem uma maior correlação com o nosso target (NU_NOTA_MT):</strong></p><pre>df_train.corr()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Kg_s32-hIBtRd71jJu6-Uw.png" /></figure><p>As features com maiores correlações em relação ao nosso <strong>Target (NU_NOTA_MT) </strong>serão as melhores a serem usadas, porém somente a seleção delas não vai garantir que sua análise seja satisfatória. De qualquer forma, vamos se atentar a selecionar as melhores nesse momento.</p><p><strong>Verificar como estão as distribuições:</strong></p><pre><strong>import </strong>matplotlib.pyplot <strong>as </strong>plt<br><strong>import </strong>seaborn <strong>as </strong>sns<br>plt.style.use(&#39;ggplot&#39;)<br>%matplotlib inline</pre><pre>features = [<br>    &#39;NU_NOTA_CN&#39;,<br>    &#39;NU_NOTA_CH&#39;,<br>    &#39;NU_NOTA_LC&#39;,<br>    &#39;NU_NOTA_REDACAO&#39;,<br>    &#39;NU_NOTA_COMP1&#39;,<br>    &#39;NU_NOTA_COMP2&#39;,<br>    &#39;NU_NOTA_COMP3&#39;,<br>    &#39;NU_NOTA_COMP4&#39;,<br>    &#39;NU_NOTA_COMP5&#39;]</pre><pre>features_corr = [<br>    &#39;NU_NOTA_MT&#39;,<br>    &#39;NU_NOTA_CN&#39;,<br>    &#39;NU_NOTA_CH&#39;,<br>    &#39;NU_NOTA_LC&#39;,<br>    &#39;NU_NOTA_REDACAO&#39;,<br>    &#39;NU_NOTA_COMP1&#39;,<br>    &#39;NU_NOTA_COMP2&#39;,<br>    &#39;NU_NOTA_COMP3&#39;,<br>    &#39;NU_NOTA_COMP4&#39;,<br>    &#39;NU_NOTA_COMP5&#39;]</pre><p><strong>Verificando os valores nulos na base de treino:</strong></p><pre>df_train[features].isnull().sum()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*mSOruVNmwKFOtoiCWKW6KA.png" /></figure><p>Como temos bastante valores <strong>nulls</strong> será necessário trabalhar com eles.</p><p><strong>Criando um heatmap das Features incluindo <em>NU_NOTA_MT</em> para vermos as nossas correlações:</strong></p><pre>corr = df_train[features_corr].corr()<br>ax = plt.subplots(figsize=(11, 8))<br>sns.heatmap(corr,  annot=True, annot_kws={&quot;size&quot;: 10})</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/696/1*5Ki0zglsyafBEHQvRdGB5w.png" /></figure><p><strong>Criaremos alguns gráficos para ver a distribuição dos dados:</strong></p><pre>x0 = df_train[&#39;NU_NOTA_CN&#39;].fillna(0)<br>x1 = df_test[&#39;NU_NOTA_CN&#39;].fillna(0)</pre><pre>sns.distplot(x0)<br>sns.distplot(x1)<br>plt.legend(labels=[&#39;TRAIN&#39;,&#39;TEST&#39;], ncol=2, loc=&#39;upper left&#39;);</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/388/1*BoCq7MUvahkr47BNbgIykA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/388/1*HWeeZily5dPU6DmGewnKXA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/388/1*UpTiz_HOBJFJwzlppMGRzw.png" /></figure><p>Como podemos ver há uma grande parte de notas zeradas pois colocamos os valores <strong>null</strong> como <strong>0</strong>.</p><p>O que vai ser feito daqui para frente fica a critério do cientista de dados, entre as alternativas são:</p><ul><li>Aplicar a média nas notas.</li><li>Deixar zerado.</li><li>Remover do dataset de treino esse valores.</li></ul><p>Todas essa opções vão gerar resultados diferentes do dataset. A minha escolha nesse problema foi remover essas notas do dataset de treino. Dessa forma meu modelo vai ser treinado numa base com <em>distribuição ‘normal’.</em></p><p>Para a composição da nota de redação vou aplicar o valor 0, devido ele não ter atingido ao critério, a nota é zero mesmo.</p><p><strong>Obs</strong>: Todos esses assumptions já estão sendo feitos após eu ler exaustivamente o <strong>dicionário de dados, </strong>o qual eu recomendo fortemente que você faça antes de começar qualquer análise em um dataset (caso odicionário exista).</p><pre># Seleciona somente linhas com valores nesses 4 quesitos a baixo na base de train<br>df_train = df_train.loc[<br>      (df_train[&#39;NU_NOTA_CN&#39;].notnull())  &amp; (df_train[&#39;NU_NOTA_CN&#39;] != 0) &amp; (df_train[&#39;NU_NOTA_CH&#39;].notnull())      &amp; (df_train[&#39;NU_NOTA_CH&#39;] != 0) <br>    &amp; (df_train[&#39;NU_NOTA_LC&#39;].notnull())  &amp; (df_train[&#39;NU_NOTA_LC&#39;] != 0) &amp; (df_train[&#39;NU_NOTA_REDACAO&#39;].notnull()) &amp; (df_train[&#39;NU_NOTA_REDACAO&#39;] != 0)    <br>]</pre><p><strong>Vamos verificar os gráficos novamente:</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/388/1*TTqhkLU-YNv_n5fr7z53dg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/388/1*Z2lJ6zfhIWCd8-C7VmZX-w.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/388/1*cO6bnK-S12mqGkdEH3yBKw.png" /></figure><p><strong>Insight</strong>: as provas do <a href="https://enem.inep.gov.br/"><strong>ENEM </strong></a>são feitas em dois dias, e nesses dois dias 2 cadernos são usados. A nota que estamos tentando estimar aqui é a nota de Matemática, sabendo disso se pegarmos o campo ‘<strong><em>TP_PRESENCA_LC</em></strong>’ o qual confirma ou não a presença do aluno na prova, pode ser muito útil na nossa análise.<br>Podemos assumir que se o aluno não estava presente em<strong> “Linguagens, Códigos e suas Tecnologias”</strong>, também não estava presente na de <strong>Matemática</strong>, a qual é no mesmo dia.</p><p>Dessa forma você pode separar os dados, e assumir todas aquelas inscrições obtiveram a nota zero em Matemática.</p><p><strong>Selecionando somente valores diferentes de 0 e não nulos na base de test:</strong></p><pre>df_test = df_test.loc[<br>      (df_test[&#39;NU_NOTA_CN&#39;].notnull())  &amp; (df_test[&#39;NU_NOTA_CN&#39;] != 0) &amp; (df_test[&#39;NU_NOTA_CH&#39;].notnull())      &amp; (df_test[&#39;NU_NOTA_CH&#39;] != 0) <br>    &amp; (df_test[&#39;NU_NOTA_LC&#39;].notnull())  &amp; (df_test[&#39;NU_NOTA_LC&#39;] != 0) &amp; (df_test[&#39;NU_NOTA_REDACAO&#39;].notnull()) &amp; (df_test[&#39;NU_NOTA_REDACAO&#39;] != 0)    <br>]</pre><p><strong>Verificando a quantidade de notas ‘nulls’ na base de test:</strong></p><pre>df_test[features].isnull().sum()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/869/1*xqhYAp60EXfjFdprh_mxhQ.png" /></figure><p><strong>Agora sim! os dados parecem bons para usar no nosso modelo, vamos gerar os gráficos novamente.</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/388/1*xyDh3e96FsvSJ84xb2T92A.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/388/1*nfpEldlOBhjkhXdtZkGC4w.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/388/1*TVwbe2keo_AVDr3bVeLy6A.png" /></figure><p>Como podemos observar, agora temos dados muito mais homogêneos entre teste e treino do que quando iniciamos a nossa análise.</p><h3>Criando o modelo de regressão</h3><p><strong>Zerando os campos nul<em>os </em>de composição da nota de redação:</strong></p><pre>df_test[&#39;NU_NOTA_COMP1&#39;].fillna(0,inplace=True)<br>df_test[&#39;NU_NOTA_COMP2&#39;].fillna(0,inplace=True)<br>df_test[&#39;NU_NOTA_COMP3&#39;].fillna(0,inplace=True)<br>df_test[&#39;NU_NOTA_COMP4&#39;].fillna(0,inplace=True)<br>df_test[&#39;NU_NOTA_COMP5&#39;].fillna(0,inplace=True)</pre><pre>df_train[&#39;NU_NOTA_COMP1&#39;].fillna(0,inplace=True)<br>df_train[&#39;NU_NOTA_COMP2&#39;].fillna(0,inplace=True)<br>df_train[&#39;NU_NOTA_COMP3&#39;].fillna(0,inplace=True)<br>df_train[&#39;NU_NOTA_COMP4&#39;].fillna(0,inplace=True)<br>df_train[&#39;NU_NOTA_COMP5&#39;].fillna(0,inplace=True)</pre><p>Lembrando que selecionei essas Features para exemplificar o nosso modelo, você pode e deve fazer os seus testes. Selecionar/Testar/Criar faz parte do processo, e isso é o que toma mais parte da análise geralmente.</p><p><strong>Seguindo:</strong></p><ul><li>Atribuir <strong>y_train </strong>ao meu <strong>target</strong></li><li>Setar x <strong>test </strong>e x <strong>train </strong>com as features selecionadas</li><li>Normalizar os dados</li></ul><pre>y_train = df_train[&#39;NU_NOTA_MT&#39;]<br>x_train = df_train[features]<br>x_test = df_test[features]</pre><pre><strong>from </strong>sklearn.preprocessing <strong>import </strong>StandardScaler<br>sc = StandardScaler()  <br>x_train = sc.fit_transform(x_train)  <br>x_test = sc.transform(x_test)</pre><p>O modelo que usei para fazer a regressão, no caso foi o <strong>RandomForestRegressor</strong>. Mais informações sobre o modelo e os parâmetros você pode ver na <a href="https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestRegressor.html">documentação oficial.</a></p><pre><strong>from </strong>sklearn.ensemble <strong>import </strong>RandomForestRegressor<br>regressor = RandomForestRegressor( <br>           criterion=&#39;mae&#39;, <br>           max_depth=8,<br>           max_leaf_nodes=None,<br>           min_impurity_split=None,<br>           min_samples_leaf=1,<br>           min_samples_split=2,<br>           min_weight_fraction_leaf=0.0,<br>           n_estimators= 500,<br>           n_jobs=-1,<br>           random_state=0,<br>           verbose=0,<br>           warm_start=False<br>)</pre><p>Abaixo um gráfico de problemas/algoritmos apenas para exemplificar:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*5yAcrfqyV-9danMWYXxyLw.jpeg" /><figcaption>imagem da internet</figcaption></figure><p><strong>Treinando o nosso modelo através do fit:</strong></p><pre>regressor.fit(x_train, y_train)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/855/1*nFSLfwWWdRr4VYxcBUkT2Q.png" /></figure><p><strong>Realizando a predição das notas da nossa base test:</strong></p><pre>y_pred_test = regressor.predict(x_test)</pre><pre>#y_pred_train = regressor.predict(x_train)</pre><p>O <strong>Codenation</strong> não disponibiliza ou comenta qual o meio que o sistema avalia as notas. Dessa forma recomendo você criar o seu próprio método de avaliação e comparar com o score de submissão.</p><p>Eu usei o <strong>MAE, MSE</strong> E <strong>RSME </strong>do metrics para analisar, você pode achar a <a href="https://scikit-learn.org/stable/modules/classes.html#sklearn-metrics-metrics">documentação aqui.</a></p><pre>print(&#39;MAE:&#39;, metrics.mean_absolute_error(y_train, y_pred_train).round(8)  )<br>print(&#39;MSE:&#39;, metrics.mean_squared_error(y_train, y_pred_train).round(8) )  <br>print(&#39;RMSE:&#39;, np.sqrt(metrics.mean_squared_error(y_train, y_pred_train)).round(8))</pre><h3>Conclusão</h3><p>O propósito aqui é estimular o pensamento analítico e exploratório dos dados. Tem alguns conceitos que não foram abordados, mas podem ser úteis em análises desse tipo.</p><ul><li>O <a href="https://en.wikipedia.org/wiki/Feature_engineering">Feature engineering</a>, nada mais é a criação de features a partir de outras.</li><li>AutoML’s: <a href="https://cloud.google.com/ml-engine/?hl=pt-br">Google</a>, <a href="https://www.ibm.com/cloud/watson-studio">IBM</a> e <a href="https://aws.amazon.com/pt/machine-learning/">Amazon</a> tem seus próprios serviços de Machine Learning, onde prometem (Já entregam) muita facilidade em gerar modelos.</li></ul><p><strong>Links</strong></p><ul><li><strong>Codenation </strong>— <a href="https://www.codenation.dev/">https://www.codenation.dev</a></li><li><strong>Google Colab</strong> — <a href="https://colab.research.google.com/">https://colab.research.google.com</a></li><li><strong>Anaconda </strong>— <a href="https://anaconda.org/">https://anaconda.org</a></li><li><strong>Feature Engineering</strong> — <a href="https://towardsdatascience.com/automated-feature-engineering-in-python-99baf11cc219">https://towardsdatascience.com/automated-feature-engineering-in-python-99baf11cc219</a></li></ul><h3>Minha participação no desafio</h3><p>O desafio do <a href="https://www.codenation.dev/"><strong><em>Codenation</em> </strong></a>me estimulou a pensar fora da caixa, pensar em alternativas de features, aprender bibliotecas novas, testar n modelos e pesquisar muito! Consegui uma posição final de <strong>6º</strong> com um score de <strong>93.86%</strong> , o qual eu achei muito bacana para uma primeira participação e pela quantidade de participantes (pelo menos 70 no ranking).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/841/1*TvddkeHCI-3idKyJt0L2og.png" /><figcaption>Codenation.dev — 15/05/2019</figcaption></figure><p>Obrigado por ler esse artigo!</p><p>Você pode me achar no Linkedin: <a href="https://www.linkedin.com/in/wesleywatanabe/">https://www.linkedin.com/in/wesleywatanabe/</a></p><p>Wesley Watanabe</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5cd140459dc3" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>