Arquivo Weka Dinheiro Falso

 Arquivo Weka Dinheiro Falso 

Arquivo para Download

Clicar Aqui

NVIDIA DGX Station Performance

 A NVIDIA DGX Station é uma estação de trabalho de alto desempenho projetada para trazer a potência de um supercomputador de inteligência artificial diretamente para o ambiente de laboratório ou escritório (sem necessidade de infraestrutura de data center dedicada).

Na prática, a capacidade e o impacto de uma DGX Station (evoluindo desde gerações com arquitetura V100/A100 até as versões mais recentes baseadas em arquiteturas avançadas como Grace Blackwell) em Inteligência Artificial e Ciência de Dados destacam-se nos seguintes pontos:

1. Treinamento de Modelos de Deep Learning e Machine Learning

• Escala e Velocidade: Por contar com múltiplas GPUs de arquitetura voltada a tensores interconectadas por alta largura de banda (como o NVLink), ela reduz o tempo de treinamento de redes neurais profundas de dias/semanas (em servidores tradicionais baseados apenas em CPU) para horas ou minutos.
  
  
• Visão Computacional e NLP: É altamente eficaz para rodar pipelines pesados de Visão Computacional (ex: YOLO, CNNs para análise de imagens de satélite ou drones agrícolas) e Processamento de Linguagem Natural (NLP), viabilizando o ajuste fino (fine-tuning) de modelos de linguagem de médio porte diretamente no laboratório.
  
  

2. Ciência de Dados em Grandes Volumes (Big Data Analytics)

• Aceleração de Bibliotecas: Na ciência de dados tradicional, ferramentas como o ecossistema RAPIDS (cuDF, cuML) permitem executar algoritmos de machine learning (como regressões, árvores de decisão, K-means e PCA) diretamente na GPU.
  
  
• Ganha de Performance: Na prática, isso substitui ou complementa clusters pesados de servidores distribuídos (como clusters Spark baseados em dezenas de nós de CPU), processando tabelas massivas de dados em frações do tempo habitual.
  
  

3. Desenvolvimento de MVPs e IA Generativa Localizada

• Ambiente Privado e Descentralizado: Permite testar, prototipar e validar protótipos (MVPs) de IA generativa e modelos de linguagem de código aberto (open-weight, via Ollama, vLLM, etc.) localmente, garantindo total governança, segurança e privacidade de dados sensíveis (sem depender de APIs externas na nuvem).
  
  
• Ecossistema Otimizado: O grande trunfo prático da linha DGX é o stack de software da NVIDIA pré-configurado e otimizado (Docker containers, drivers, CUDA, cuDNN e frameworks como PyTorch e TensorFlow). Isso elimina o gargalo clássico de engenharia de software e configuração de ambiente que consome dias de equipes de pesquisa.
  
  

4. Vantagens Práticas para Ambientes de Pesquisa e Universidades

• Silenciosa e Sem Data Center: Diferente de servidores de rack tradicionais que exigem salas com piso elevado, alto isolamento acústico e refrigeração industrial pesada, a DGX Station foi concebida para operar em escritórios ou laboratórios comuns (com nível de ruído e dissipação térmica adaptados para o ambiente de trabalho).
  
  
• Multiusuário para Equipes: Funciona como um hub robusto onde múltiplos pesquisadores, cientistas de dados ou alunos de pós-graduação podem submeter seus experimentos e jobs computacionais simultaneamente, otimizando o fluxo de trabalho de grupos de pesquisa inteiros.
  
  

Em suma, na prática, a DGX Station atua como uma ilha de supercomputação dedicada, ideal para instituições e laboratórios que precisam avançar rapidamente da pesquisa teórica para a implementação de soluções complexas de IA e ciência de dados sem a burocracia ou o custo recorrente de infraestruturas de nuvem em larga escala.

Reunião dos Laboratóios LIA+ e Hoários de Consulta

 Reunião dos Laboratóios LIA+ e Hoários de Consulta

Link Google Meet para todas as reuniões: 

xgf-jman-pyv

Reunião dos Laboratóios LIA+

     - Terças das 20:30 às 21:30 horas

     - Domingos das 21 às 22 horas  

Telefone Gabriel e Horarios de Consulta

019-988-627438

horarios de consulta

Sabados 14 as 15 

domingos 20 - 21 horas

SQL - Introdução

  SQL - Introdução

 Video ACCESS

https://youtu.be/v-8Xz5PLWnw?si=GkU4MW2hWrRupk8E

https://www.youtube.com/watch?v=aQBuKMBgers

Progrma SAS para SQL

data banco_d;

input Obs Name $ Sex $ Age Height Weight;

datalines;

1 Alfred M 14 69.0 112.5

2 Alice F 13 56.5 84.0

3 Barbara F 13 65.3 98.0

4 Carol F 14 62.8 102.5

5 Henry M 14 63.5 102.5

6 James M 12 57.3 83.0

7 Jane F 12 59.8 84.5

8 Janet F 15 62.5 112.5

9 Jeffrey M 13 62.5 84.0

10 John M 12 59.0 99.5

11 Joyce F 11 51.3 50.5

12 Judy F 14 64.3 90.0

13 Louise F 12 56.3 77.0

14 Mary F 15 66.5 112.0

15 Philip M 16 72.0 150.0

16 Robert M 12 64.8 128.0

17 Ronald M 15 67.0 133.0

18 Thomas M 11 57.5 85.0

19 William M 15 66.5 112.0

;

proc print;

run;

/* input Obs Name $ Sex $ Age Height Weight;*/;

PROC SQL;

    SELECT Name, Sex, Age

    FROM banco_d

    WHERE Age > 12;

QUIT;

 

PROC SQL;

    SELECT Name, Sex, Age

    FROM banco_d

    WHERE Age >= 14

    ORDER BY Age DESC;

QUIT;

 

PROC SQL;

    CREATE TABLE banco_mais_14 AS

    SELECT Name, Age

    FROM banco_d

    WHERE Age > 14;

QUIT;

proc print data= banco_mais_14; run;

proc print data= banco_d; run;

 

Arquivo Weka Dinheiro Falso

 Arquivo Weka Dinheiro Falso 

Arquivo para Download

Clicar Aqui

Data Crunching - Pivot Tables - SQL

Data Crunching - Pivot Tables - SQL

 Data crunching with pivot tables is one of the most powerful ways to summarize, analyze, and explore large datasets quickly without writing complex formulas.

Here is a comprehensive guide to mastering pivot tables for data analysis, covering setup, best practices, and advanced techniques.

1. What is a Pivot Table?

A pivot table is an interactive tool that allows you to rapidly rotate (or "pivot") rows and columns to see different summaries and comparisons of your raw data. It automatically aggregates data (like sums, averages, counts) based on categories you choose.

Core Components

• Filters: Restricts the entire dataset to specific criteria (e.g., showing data for only one region or year).

• Columns: Categories that form the horizontal headers across the top.

• Rows: Categories that form the vertical labels down the left side.

• Values: The numerical data you want to calculate or aggregate (e.g., Sales, Revenue, Quantity).

2. Step-by-Step: Creating a Pivot Table

Whether you are using Microsoft Excel, Google Sheets, or a tool like Python (pandas), the core workflow remains identical:

1. Prepare Your Data: Ensure your data is in a clean tabular format.

   • Each column must have a unique header in the first row.

   • No blank rows or columns in the middle of your dataset.

   • Consistent data types within each column (e.g., don't mix text and numbers in a numerical column).

2. Insert the Pivot Table:

   • Excel/Google Sheets: Select your data range $\rightarrow$ Go to Insert $\rightarrow$ Click Pivot Table.

   • Choose whether to place it in a New Worksheet (recommended for cleanliness).

3. Build Your View: Drag and drop fields from your field list into the four main areas:

   • Example: Drop Product Category into Rows, Region into Columns, and Sales into Values.

3. Essential Data Crunching Techniques

Changing Summary Calculations

By default, text fields count occurrences, and numeric fields sum values. You can easily change this:

• Click the dropdown arrow on a field in the Values area.

• Select Value Field Settings (Excel) or Summarize by (Google Sheets).

• Choose from operations like Average, Max, Min, Count, or Product.

Grouping Data (Dates, Numbers, Text)

Pivot tables let you instantly group granular data into meaningful chunks:

• Dates: Right-click a date field in your rows/columns and choose Group. You can group by Months, Quarters, Years, or Days simultaneously.

• Numerical Ranges: Right-click a numeric field (like Age or Salary) and choose Group, then set your interval size (e.g., grouping ages into buckets of 10).

Showing Values as Percentages

Instead of raw numbers, you can view data relative to totals:

• Go to Value Field Settings $\rightarrow$ Show Values As.

• Select options like % of Grand Total, % of Row Total, or % of Parent Row Item to instantly reveal proportional breakdowns.

4. Best Practices for Clean Analysis

[!NOTE] Always convert your source data into an official Table (Ctrl + T in Excel or Format as Table) before creating a pivot table. This ensures your pivot table automatically includes new rows of data when you refresh it.

• Always Refresh: Pivot tables do not update in real-time if the underlying source data changes. Right-click your pivot table and click Refresh whenever data updates.

• Use Slicers for Interactivity: Instead of traditional filter dropdowns, insert a Slicer (Insert $\rightarrow$ Slicer) to create clean, clickable buttons that filter your pivot table visually.

• Keep Source Data Raw: Never perform calculations or aggregations directly inside your raw data table. Let the pivot table do the math for you.

What specific dataset or scenario are you working with right now? If you share your columns or your goal, I can give you a tailored blueprint for building your pivot table.