Ciência de dados com Matplotlib em Python

1. Vídeo de introdução: Olá a todos e bem-vindos ao meu último curso, Data Science com matplotlib em Python. Então, quem sou eu e por que você deveria me ouvir? Bem, meu nome é o programador preguiçoso e sou autor de mais de 30 cursos on-line em ciência de dados, aprendizado de máquina e análise financeira. Tenho dois mestrados em engenharia e estatística. Minha carreira neste campo se estende por mais de 15 anos. Trabalhei em várias empresas que agora chamamos Big Tech e em várias startups. Usando a ciência de dados, aumentei as receitas milhões de dólares com as equipes que liderei. Mas o mais importante é que eu sou muito apaixonado por trazer essa tecnologia fundamental para você. Então, sobre o que é esse curso? Este curso trata de ensinar habilidades básicas usando a biblioteca matplotlib, que se tornou padrão na última década para fazer Ciência de Dados com Python, você aprenderá sobre como fazer vários tipos de gráficos, como gráficos de linhas, gráficos de dispersão, histogramas e até mesmo como plotar imagens. Essas habilidades são essenciais se você quiser fazer ciência de dados e visualizar seus dados e seus resultados. Então, quem deve fazer esse curso e como você deve se preparar? Este curso foi desenvolvido para estudantes interessados em ciência de dados e aprendizado de máquina e já têm alguma experiência com bibliotecas de computação numérica, como o NumPy. A segunda habilidade que você precisará são algumas linguagens de programação básicas, tudo bem, mas como esse curso usa Python, isso seria ideal. Felizmente, o Python é uma linguagem muito fácil de aprender. Portanto, se você já conhece outro idioma, não deve ter problemas em se atualizar. Para esses dois tópicos. Um entendimento de nível médio deve ser suficiente. Em uma graduação, o entendimento seria ainda melhor. Então, em termos de recursos, o que você precisará para fazer este curso? Felizmente, não muito. Você precisará de um computador, um navegador da web e uma conexão com a Internet. Se você está assistindo a este vídeo, então você já atende a essas condições. Agora, vamos falar sobre por que você deve fazer este curso e o que você deve esperar obter dele. Bem, o que eu notei depois de ensinar aprendizado de máquina por muitos anos é que há uma grande lacuna no conhecimento. Os alunos frequentam um curso de aprendizado de o objetivo de aprender aprendizado de máquina. E eles entenderão os conceitos, mas depois não terão ideia de como colocar esses conceitos no código, porque eles realmente não sabem como programar. Este curso tem como objetivo preencher essa lacuna criando uma ponte entre um revestimento comum e o tipo de codificação que você precisará para ciência de dados e aprendizado de máquina, especificamente plotagem e visualização. seus conjuntos de dados. Ao final deste curso, você aprenderá o suficiente para usar o que aprendeu em um conjunto de dados real. Na verdade, isso é o que faremos como nosso projeto final. Espero que você esteja tão empolgado quanto eu para aprender sobre essa incrível biblioteca. Obrigado por ouvir, e nos vemos na próxima palestra. 2. Contorno de Matplotlib: Nesta palestra, apresentarei a próxima seção deste curso, que é sobre Matplotlib. Matplotlib como uma biblioteca que usaremos para visualizar nossos dados. Esta seção será bem curta em comparação com a seção num pi, pois em sua investigação sobre algoritmos de aprendizado de máquina, existem realmente apenas alguns gráficos de que você precisa. Não se trata de criar relatórios ou apresentações ou algo parecido. Estamos interessados em gráficos que nos ajudarão especificamente na implementação de modelos de aprendizado de máquina. Dito isso, o que vamos abordar nesta seção? Primeiro, falaremos sobre gráficos de linhas. Os gráficos de linhas, apesar do nome, são usados para traçar qualquer tipo de sinal unidimensional. Então, por exemplo, você pode querer traçar uma série temporal como o preço das ações por unidade de tempo. Outro exemplo disso é uma onda sonora. Então, por exemplo você pode carregar um MP3 e ver como a amplitude muda com o tempo. Músicos olham para gráficos de linhas como esse o dia todo, exceto quando você olha da perspectiva de um músico, as linhas estão tão próximas que você não consegue ver os valores individuais em cada etapa do tempo. seguir, veremos um tipo de gráfico muito importante, o gráfico de dispersão. O gráfico de dispersão. Vamos ver nossos dados de uma perspectiva geométrica. Na verdade, quando pensamos, por exemplo, em um problema de classificação ou em um problema de agrupamento, muitas vezes pensamos que em termos de imagem geométrica é exatamente como o mesmo quando você tem dados de alta dimensão, ou seja, dados que você pode ver, ainda tentamos encontrar maneiras reduzir a dimensionalidade para que possamos vê-los em gráficos como esse. Em seguida, veremos outro gráfico importante, o histograma. O histograma é importante porque nos permite ver a distribuição de nossos dados. E, é claro, por distribuição, probabilidade, distribuição, os algoritmos de aprendizado de máquina geralmente são definidos usando a linguagem da probabilidade. Portanto, ser capaz de analisar a distribuição de seus dados para determinar que tipo de distribuição eles têm é muito importante. Finalmente, veremos como plotar imagens. As imagens são um tipo de dados muito importante no aprendizado de máquina moderno. O campo da visão computacional explodiu graças ao aprendizado profundo. E graças a esses avanços, estamos mais próximos do que nunca de veículos autônomos e robôs autônomos. Parte disso também será responder à pergunta: como exatamente uma imagem é representada dentro do computador? Como você verá em breve, não é nada que ainda não saibamos. 3. Gráfico de linhas: Nesta palestra, veremos como criar um gráfico de linhas. Primeiro, vamos começar importando as bibliotecas necessárias. Portanto, para esta seção, importaria numpy como np e importaria map plot lib dot pyplot como PLT. Tudo bem, então, a seguir, vamos criar alguns dados falsos para o eixo x. A propósito, mesmo que esta seção e as seções a seguir não sejam diretamente sobre o NumPy, isso não significa que você não será exposto aos novos recursos do NumPy à medida que avançarmos. Então é exatamente isso que vamos fazer agora. Então x é igual a np dot linspace 021000. Então, o que isso faz? Isso cria uma matriz unidimensional com 1.000 pontos uniformemente espaçados, 0-20. Em seguida, vamos gerar alguns dados falsos para o eixo y. Então, digamos que y seja igual a np ponto seno x mais 0,2 vezes x. Não há nada de especial nessa função. É completamente arbitrário. Em seguida, traçamos nossos dados. Ei, podemos fazer isso fazendo plt.plot x, y. Agora é importante observar que se você não estiver usando um notebook, seja ele colab ou notebook Jupyter em sua máquina local, você Não vejo nada apenas dessa única linha de código. Em vez disso, você precisa chamar uma função adicional, que é plt.show. Vamos tentar isso. Então isso seria plt.plot x, y, plt.show. Como você pode ver, isso realmente não tem nenhum efeito se você já estiver dentro do notebook. Em seguida, adicionaremos algumas informações ao nosso gráfico. Então, digamos que eu queira rotular o eixo x. Então, primeiro vamos ter nosso enredo. Então, vamos plt.plot x, y. E então, para rotular o eixo x, eu posso fazer plt.plot x label, e vamos chamá-lo de input. Da mesma forma, se eu quiser rotular o eixo y , posso fazer plt.show ylabel. E vamos chamar essa saída. Finalmente, digamos que eu queira adicionar um título, então eu possa fazer plt.show title, meu enredo. Ok, então vamos tentar isso. E recebemos nosso título, nossa etiqueta y e nossa etiqueta x. Agora você percebe algo estranho, que é que o caderno sempre imprime a última coisa que foi retornada por um código. Então, no nosso caso, foi isso. Como a função de título do PLT retorna algo, vemos isso na caixa abaixo, embora provavelmente não queiramos. Então, uma coisa que podemos fazer para suprimir essa saída é simplesmente terminar a linha com um ponto e vírgula. Vamos ver isso. Ok, e agora essa saída desaparece. 4. Scatterplot: Nesta palestra, veremos outro tipo de visualização muito importante, o gráfico de dispersão. Obviamente, para ter um gráfico de dispersão que realmente se pareça com algo, precisaremos de alguns dados aleatórios. Então, vamos começar criando alguns dados aleatórios do normal padrão com a forma 100 por dois. Então, são 100 observações. E duas dimensões. Nós fazemos x igual a np dot random dot rand n 102. Agora você deve estar se perguntando por que 100 por dois. Isso nos dá 100 pontos de dados com dimensionalidade de, poderíamos ter escolhido 500 pontos de dados, mas 100 está tudo bem. Mas os dois são necessários. Lembre-se de que as telas dos computadores em si são bidimensionais. Então, para especificar as coordenadas x e y, precisamos ter duas dimensões nem mais nem menos. Também havia gráficos de dispersão tridimensionais que você poderia fazer. E temos isso em meus outros cursos, mas isso estaria fora do escopo deste curso. Então, para fazer um gráfico de dispersão, chamamos plt.show scatter. Então isso é dispersão de PLT. Vou passar x dois pontos zero e x dois pontos um. Então x dois pontos zero é a primeira coluna de X e X a coluna um é a segunda coluna de X. E só para ficar claro, o primeiro argumento aqui corresponde ao eixo horizontal e o segundo argumento corresponde ao eixo vertical. Então, vamos experimentar isso. Tudo bem, então temos nosso gráfico de dispersão. Agora, no aprendizado de máquina, geralmente estamos interessados em classificação ou agrupamento, onde gostaríamos de desenhar gráficos de dispersão de pontos de dados com cores diferentes, significando as diferentes classes. Então, vamos ver se podemos fazer um gráfico de dispersão como esse. Primeiro, vamos gerar alguns dados aleatórios, novamente com dimensionalidade, digamos que x é igual a np ponto aleatório, ponto aleatório, 200 para o próximo, eu gostaria que metade desses dados fosse centrada em alguns diferentes localização. Lembre-se de que a função aleatória se baseia no normal padrão. Então, por padrão, todos esses pontos estão atualmente centrados em zero. Então, digamos que eu queira que a primeira metade desses pontos de dados seja centrada em três e três. Para fazer isso, eu posso apenas fazer x dois pontos 50 mais é igual a três. Portanto, os dois pontos significam selecionar todas as linhas do índice zero ao índice 50. E um sinal de mais igual a três significa adicionar três a todos os elementos. Em seguida, vamos gerar alguns rótulos. Vamos começar criando uma matriz de zeros de tamanho 200. Então o y é igual a np.zeros 200. Em seguida, definiremos a primeira metade desses rótulos para explicar por que isso ocorre para que todos os pontos centrados em três e três tenham rotulado um e todos os outros pontos sejam rotulados como zero. Podemos fazer isso fazendo por que dois pontos 50 são iguais a um. E, finalmente, podemos desenhar nosso gráfico de dispersão. Então, isso é quase o mesmo de antes, exceto que agora também vamos usar o argumento C e passá-lo e por quê? E, obviamente, C significa cor. Portanto, a dispersão de PLT x0x1c é igual a y. Então, às vezes, é difícil ver seu código porque essas coisas aparecem para mostrar a API. Então, a forma como isso funciona é que o que você passa para C deve ser uma lista unidimensional ou uma matriz unidimensional contendo números inteiros correspondentes à forma como você deseja colorir os pontos de dados. Então, vamos executar isso. E obtemos nosso gráfico de dispersão de cores. 5. Histograma: Nesta palestra, veremos outro gráfico essencial, o histograma. Como os histogramas são usados para traçar a distribuição dos dados, precisaremos de alguns números aleatórios. Então, vamos começar criando 10.000 números aleatórios a partir do normal padrão. Então X é igual a nenhum ponto aleatório, o aleatório 10.000. Em seguida, vamos traçar um histograma. Então, se você já programou em outra linguagem científica antes, você mesmo pode ter adivinhado isso. É apenas PLT dot hist x. Tudo bem, e esse é o nosso histograma. Agora, quando temos tantos pontos de dados, é possível obter um gráfico melhor com mais barras. Podemos fazer isso usando o argumento bins. Então, podemos fazer plt.plot x bins igual a 50. E essa é, obviamente, uma forma de confirmar que nossos dados realmente vêm do normal padrão. Temos uma curva em forma de sino centrada em torno de zero. E aproximadamente 95% do peso está entre mais ou -1,96. E, obviamente, acabei de inventar isso. Não consigo perceber só de olhar para ele. Agora, só por curiosidade. Também podemos querer confirmar que a função aleatória é amostrada da distribuição uniforme. Então, vamos gerar alguns dados da função aleatória. Então, isso é igual a nenhum ponto aleatório, aleatório 10.000. E vamos desenhar um histograma. Então plt.plot x é igual a 50. Tudo bem, então isso é bem plano, embora não exatamente, tenho certeza que ficaria mais plano se você tivesse menos caixas. Mas, de qualquer forma, está bem claro que a função aleatória realmente foi amostrada da distribuição uniforme 01. 6. Como organizar imagens: Nesta palestra, discutiremos como traçar imagens. Agora é útil mencionar que muitos conjuntos de dados de aprendizado de máquina famosos, como m-nest e C4 ten ou conjuntos de dados de imagem. Mas esses conjuntos de dados não são armazenados como arquivos de imagem reais, por exemplo , no seu computador, você pode ter imagens no formato JPEG ou no formato PNG. Mas alguns conjuntos de dados de aprendizado de máquina são armazenados em formatos diferentes, forma que todo o conjunto de dados com várias imagens possa ser armazenado em um único arquivo. Para nós, nesta palestra, preocuparemos apenas com imagens únicas como as que você pode ter em seu computador. Então, para começar, vamos baixar uma imagem da Internet usando o comando W get. Agora, é claro, você não precisa escolher o mesmo arquivo que eu. Você provavelmente não quer digitar esse URL manualmente. Então, como parte de seu exercício para esta palestra, encontre sua própria imagem e obtenha o URL dessa imagem. Você pode pausar esse vídeo até encontrar uma imagem que queira usar. Vou pegar o URL do meu caderno pré-escrito. Tudo bem, então você pode ver na saída do comando W get que baixamos um arquivo chamado Lena dot PNG. Então, a seguir, usaremos uma biblioteca chamada Pillow, que nos ajudará a carregar nossa imagem. Então, vamos importar o travesseiro fazendo a partir da imagem de importação do PIL. Em seguida, usaremos travesseiro para carregar nossa imagem. Então, para mim, eu sou igual a image dot open Lena dot PNG. Agora, embora essa seja a pilha num pi, esse valor de retorno não é uma matriz NumPy. Podemos verificar o tipo desse objeto para confirmar isso. Então, nós apenas digitamos. Eu sou. E podemos ver que é um arquivo de imagem PNG. Felizmente, é muito fácil converter isso em uma matriz NumPy. Podemos fazer isso da mesma forma que convertemos listas em matrizes NumPy. Uma matriz é igual a nenhuma matriz de pontos. Eu sou. Agora, a razão pela qual isso funciona é porque as imagens são representadas em computadores como matrizes. Se você pensar bem, uma imagem tem duas dimensões, altura e largura. Para cada local ao longo de sua altura e largura, ele tem um valor de cor. Então é exatamente isso que essa matriz é. É uma caixa de números. Podemos imprimir a matriz para confirmar isso. Então, basta fazer o ARR. E essa é a nossa imagem representada em um computador. Agora, há algo interessante sobre esses números, sobre o qual você aprenderá mais se alguma vez fizer uma aula comigo sobre visão computacional ou processamento de imagens, todos esses números parecem ser números inteiros em vez de ponto flutuante, e eles são todos de 0 a 255. Se rolarmos até o final, podemos ver que o tipo D dessa matriz é um oito. Ou seja, os números são números inteiros sem sinal de oito bits. Portanto, deve fazer todo o sentido para você que esses números sejam de 0 a 255, já que dois elevado a oito é 256 e, portanto, com bits, esse é o número total de números inteiros possíveis que podemos representar. Vamos verificar a forma da nossa matriz. Então, esse é o ARR que dá forma. Então, curiosamente, é uma matriz tridimensional de tamanho 512 por 512 por três. Então, o que esses números significam? Bem, as primeiras duas dimensões, ou as dimensões espaciais, estão na altura e largura da imagem. Mas por que existe uma terceira dimensão de tamanho três? Isso porque, para cada local na imagem, precisamos armazenar a cor desse pixel. E acontece que as cores são armazenadas usando três valores. Especificamente, esses são o canal vermelho, o canal verde e o canal azul. Esses três números nos dizem quanto vermelho, quanto verde, quanto azul combinar para criar a cor neste local? E, a propósito, só para você saber, eles ensinam essas coisas no jardim de infância. Então, se você está se sentindo confuso, então esta noite você pode ter que pedir ajuda aos seus filhos com sua lição de casa. Então, como traçamos essa imagem? Bem, usamos uma função chamada IM show. Então, vamos fazer isso. Isso seria plt.plot. Eu sou o show ARR. Como você pode ver, essa é a famosa imagem de Lena usada em todos os cursos e existências de visão computacional. E, aliás, isso também funciona com a imagem original. Então, podemos fazer plt.plot Show. Eu sou. Agora, uma coisa que costumamos fazer na visão computacional é trabalhar com imagens em tons de cinza, também conhecidas como imagens em preto e branco. Uma maneira simples de converter uma imagem colorida em uma imagem em preto e branco é calcular a média entre os canais de cores. Vamos tentar isso. Então, isso é cinza igual ao ponto ARR, o eixo médio é igual a dois. E se verificarmos a forma da nossa nova matriz, podemos ver que ela é 512 por 512, que significa que reduzimos a dimensão da cor, que é o que queríamos. Então, o que acontece se traçarmos essa imagem usando IM show, faça plt.show. Eu sou o show Greg. Isso é interessante. Parece que recebemos um conjunto estranho de cores, mistura estranha de verde e amarelo. Agora é importante observar que essas não são cores reais armazenadas na própria imagem. Todos esses são apenas números de 0 a 255, então não é como se 255 fosse verde e zero fosse amarelo. Essas cores são, na verdade, decididas pelo matplotlib. Se você estivesse usando uma linguagem de programação diferente ou até mesmo uma versão diferente do Matplotlib ou Python. Essas cores podem sair de forma diferente. Isso é basicamente o que é chamado de mapa de calor. Então, na verdade, você acabou de aprender a fazer duas coisas ao mesmo tempo. Mas ainda assim gostaríamos de saber como traçar essa imagem em tons de cinza, em escala de cinza real. A forma como podemos fazer isso é usando o argumento CMAP. Então, vamos tentar isso. Então esse é o PLT, o IM mostra que o CMAP cinza é igual a Greg. E, como esperado, nossa imagem foi plotada em tons de cinza. 7. Exercício de Matplotlib: Nesta palestra, vou lhe dar um exercício para praticar o que você aprendeu nesta seção. Seu exercício nesta seção será gerar e traçar o que eu chamo de conjunto de dados XOR generalizado. Então, por que eu chamo isso de XOR generalizado? Bem, se você tem formação em ciência da computação ou engenharia e já ouviu falar do XOR. É uma porta lógica. Ele faz uma operação lógica, como as portas AND, OR e NOT. Podemos anotar o XOR usando uma tabela verdadeira em que X1 e X2 são as entradas e y é a saída. Se x1 e x2 forem ambos zero, então y é zero. Se x1 ou x2 for um, mas não ambos, então y é um. Se x1 e x2 são ambos um, então y é novamente zero. A razão pela qual chamamos isso de XOR, que significa OR exclusivo é porque ele difere do normal ou da operação a última linha estaria em sintonia com a regular. Ou. Agora, é claro, se traçássemos isso, seriam apenas quatro pontos, que não é tão excitante. Parece um pouco melhor, são pontos dispersos aleatoriamente, como o que você veria em um conjunto de dados de aprendizado de máquina. Então, se dividirmos os dados em quatro quadrantes, depois no canto superior esquerdo e inferior direito, teremos uma cor no canto superior direito e inferior esquerdo, teremos outra cor. Seu trabalho é gerar esses dados e criar um gráfico de dispersão como o que você vê aqui. Só para dificultar um pouco, observe que esses quadrantes estão definidos entre menos um e mais um, não 0,1. Boa sorte, e nos vemos na próxima palestra. 8. Onde obter cupons de desconto e material de aprendizagem de máquina GRÁTIS: Olá a todos e bem-vindos de volta a esta aula. Nesta palestra, vou responder a uma das perguntas mais comuns que recebo. Onde posso obter cupons de desconto e material de aprendizado profundo gratuito? Vamos começar com cupons. Tenho várias maneiras de você se manter atualizado comigo. maneira absoluta melhor maneira absoluta de se manter atualizado com cupons de desconto recém-lançados é assinar meu boletim informativo. Há várias maneiras de fazer isso. Primeiro, você pode visitar meu site, lazy programmer dot. No topo da página, há uma caixa onde você pode inserir seu e-mail e se inscrever no boletim informativo. Outro site que possuo e opero é o deep learning courses.com. Este site contém basicamente os mesmos cursos que você vê nesta plataforma, mas também contém material VIP extra. Mais sobre isso mais tarde. Então, se você rolar até o final deste site, encontrará uma caixa para inserir seu e-mail, que o inscreverá no boletim informativo, como faria no programa Lazy no DOT ME. Então você só precisa fazer um desses. Agora vamos fazer uma pequena digressão porque essa é outra pergunta comum que recebo. O que é esse material VIP e como posso obtê-lo? Então, aqui está como a coisa VIP funciona. Normalmente, quando eu lanço um curso, eu o libero com material VIP temporário, que é exclusivo para os madrugadores que se inscreveram no curso durante meu anúncio. Esta é uma pequena recompensa para aqueles que se mantêm atualizados com meus anúncios e, claro, realmente os lêem. É importante observar que material VIP pode sair a qualquer momento. Por exemplo, eu não consegui fazer grandes atualizações em um curso três anos depois de iniciá-lo e fazer outra versão VIP. O objetivo do curso de aprendizado profundo é ter um lar permanente para esses materiais VIP. Portanto, mesmo que possa ser temporário na plataforma em que você se inscreveu. Se você se inscrever na versão VIP do curso, terá acesso permanente aos materiais VIP no curso de aprendizado profundo, mediante solicitação. Aqui estão alguns exemplos de materiais que você pode encontrar nas seções VIP do meu TensorFlow. Para o curso, há três horas extras de material sobre o Deep Dream e localização de objetos. Normalmente eu não libero o conteúdo VIP em formato de vídeo, mas isso foi uma exceção. Outro exemplo em meu curso de IA de ponta foi uma seção extra escrita sobre o algoritmo T3. Este curso abordou três algoritmos no total. Então, a seção de extras oferece mais um, ou em outras palavras, 33% a mais de material. Outro exemplo em meu coro avançado de PNL e RNNs é uma seção sobre reconhecimento de fala usando aprendizado profundo. Além disso, há uma seção totalmente nova do curso sobre previsões de estoque ou redes de memória, dependendo da versão do curso que você está fazendo. A razão para isso é que eu poderia lançar versões ligeiramente diferentes de cada curso em plataformas diferentes. Por causa de como as regras em todas essas plataformas funcionam, devo diferenciar os cursos. No entanto, como eu possuo um curso de aprendizado profundos.com, essa é a única plataforma que contém a versão mais completa do curso, que inclui todas as seções. Observe que isso é raro, portanto, dependendo do curso que você está fazendo, isso pode não afetá-lo. Tudo bem, então vamos voltar para você. Cupons de desconto e material gratuito. Outros lugares onde anunciei cupons de desconto são Facebook, Twitter e YouTube. Talvez você queira pausar este vídeo para acessar esses URLs e me seguir ou se inscrever nesses sites, se forem sites que você usa regularmente. Então, para o Facebook, aquele programador preguiçoso do facebook.com dot Emmy para o Twitter, isso é twitter.com slash lazy underscore scientists para o YouTube, youtube.com slash C slash lazy programmer x. Ocasionalmente, eu ainda lançava material totalmente gratuito. Isso é bom se eu quiser apenas falar sobre um tópico específico sem precisar criar um curso inteiro para ele. Por exemplo, I. Acabei de lançar um vídeo sobre as previsões do mercado de ações e por que maioria dos outros blogs em cursos abordam esse problema de forma completamente errada. Esse é outro benefício de se inscrever para essas coisas. Eu posso expor falsos cientistas de dados que são realmente profissionais de marketing. Ao passo que eu nunca faria um curso inteiro sobre isso. Às vezes, isso pode ser escrito e às vezes em formato de vídeo. Se for escrito, será em um programa preguiçoso e me ensinado ou em um curso de aprendizado profundo. Se for um vídeo, estará no YouTube. Portanto, certifique-se de se inscrever para mim no YouTube. Se eu lançar um vídeo, também posso fazer um post sobre isso no lazy programmer dot ME. E também posso anunciá-lo usando outros métodos que discuti anteriormente. Então esse é o boletim informativo, o Facebook, Twitter e, obviamente, o próprio YouTube. Agora eu percebo que isso é muita coisa e você provavelmente não usa todas essas plataformas. Eu certamente não, pelo menos não regularmente. Então, se você quiser fazer o mínimo, aqui está o que você deve fazer. Primeiro, assine meu boletim informativo. Lembre-se de que você pode fazer isso em um programa lento no DOT ME ou no curso de aprendizado profundo. Em segundo lugar, assine meu canal do YouTube em youtube.com. Slash C slash lazy programmer x. Obrigado por ouvir e nos vemos na próxima palestra.