Exercício – Prever o sucesso do lançamento de um foguetão com a aprendizagem automática

  • 3 minutos

Por fim, chegou o momento de testar o modelo com dados que nunca foram encontrados no conjunto de dados.

A 30 de julho de 2020, a NASA lançou o Perseverance rover com destino a Marte a partir de Cape Canaveral às 7:50, Hora do Leste.

Reúna os dados de entrada para o modelo:

  • Tripulado ou Não Tripulado
  • Temp. Elevada
  • Temp. Baixa
  • Temp. Média
  • Temp. na Hora do Lançamento
  • Hist. Temp. Elevada
  • Hist. Temp. Baixa
  • Hist. Temp. Média
  • Precipitação na Hora do Lançamento
  • Hist. Média Precipitação
  • Direção do Vento
  • Velocidade Máx. Vento
  • Visibilidade
  • Velocidade do Vento na Hora do Lançamento
  • Hist. Média Velocidade Máx. Vento
  • Hist. Média Visibilidade
  • Condição

Poderá encontrar estas informações na maioria dos sites meteorológicos. Lembre-se de que os dados devem ser todos numéricos.

Os seguintes exemplos utilizam dados hipotéticos:

# ['Crewed or Uncrewed', 'High Temp', 'Low Temp', 'Ave Temp',
#        'Temp at Launch Time', 'Hist High Temp', 'Hist Low Temp',
#        'Hist Ave Temp', 'Precipitation at Launch Time',
#        'Hist Ave Precipitation', 'Wind Direction', 'Max Wind Speed',
#        'Visibility', 'Wind Speed at Launch Time', 'Hist Ave Max Wind Speed',
#        'Hist Ave Visibility', 'Condition']

data_input = [ 1.  , 75.  , 68.  , 71.  ,  0.  , 75.  , 55.  , 65.  ,  0.  , 0.08,  0.  , 16.  , 15.  ,  0.  ,  0. ]

tree_model.predict([data_input])

Continuar a melhorar

À medida que continua a melhorar o modelo nas formas descritas ao longo deste percurso de aprendizagem, esteja atento a outros lançamentos de foguetões da NASA. Veja se o modelo consegue prever os resultados com precisão.

Também pode utilizar as predições meteorológicas combinadas com o modelo de machine learning para ver se pode prever a existência de um atraso mesmo antes do lançamento ocorrer!