Redirecionar E-mail Power Shell – Office 365

$LiveCred = Get-Credential
$Session = New-PSSession -ConfigurationName Microsoft.Exchange -ConnectionUri https://ps.outlook.com/powershell/ -Credential $LiveCred -Authentication Basic -AllowRedirection
Import-PSSession $Session

#Habilitar
Set-Mailbox -Identity contoso@grupo.com.br -ForwardingSmtpAddress contoso@o365.com.br -DeliverToMailboxAndForward:$true

#Desabilitar
Set-Mailbox contoso@grupo.com.br -ForwardingSmtpAddress $null

#Visualizar
get-mailbox contoso@grupo.com.br | fl

Office 365- definir quais pessoas podem enviar mensagem para uma determina conta de e-mail.

Abra o Power Shell

Realizar o comando para logar no office 365

Conexão
$UserCredential = Get-Credential

Carregar a sessão 

$Session = New-PSSession -ConfigurationName Microsoft.Exchange -ConnectionUri https://outlook.office365.com/powershell-liveid/ -Credential $UserCredential -Authentication Basic -AllowRedirection
Import-PSSession $Session

 

No exchange existe uma função que define quais pessoas podem enviar mensagem para uma determina conta de e-mail.

(Get-Mailbox -Identity “conta.email”).AcceptMessagesOnlyFromSendersOrMembers | Select-Object name | Export-Csv c:\arquivo.csv

Orientações para Problemas com Anaconda para Windows

Algumas pessoas tem encontrado alguns bugs para fazer a instalação do Anaconda no Windows. São alguns problemas que podem acontecer dependendo da plataforma de hardware e dos softwares instalados. O problema mais comum é depois que a instalação está concluída, simplesmente parece que o Anaconda não foi instalado e os atalhos não são criados. Se este ou outro problema acontecer, sugerimos as seguintes ações (em ordem):

  • Reiniciar o sistema operacional logo depois da instalação. Em geral, os ícones serão gerados após a reinicialização
  • Fazer a instalação do Anaconda usando o usuário administrador (ou com permissões totais de administrador)
  • Criar um novo usuário no Windows e fazer a instalação no Anaconda neste novo usuário (com permissões de administrador)
  • Remover todas as instalações anteriores do Python ou Anaconda (inclusive apagar as pastas manualmente)
  • Tentar instalar uma versão mais antiga do Anaconda – ver aqui: https://repo.continuum.io/archive/

Essas são as soluções que resolvem a maioria dos casos, porém, sugerimos consultar os links abaixo caso ainda tenha problemas

https://www.youtube.com/watch?v=qb2_OeHvyK4


https://stackoverflow.com/questions/46335789/anaconda-navigator-wont-launch-windows-10

 

Caso ainda tenha problemas, sugerimos fazer a instalação padrão do Python e usar a IDE PyCharm:

Comandos Power Shell

Exportar Lista de Distribuição Dynamica

1 .   $FTE = Get-DynamicDistributionGroup “Colaboradores Empresa”

2. Get-Recipient -RecipientPreviewFilter $FTE.RecipientFilter -OrganizationalUnit $FTE.RecipientContainer | Select-Object Displayname,UserPrimaryname,department,title > c:\Listas\Empresa.csv

 

Converter em Caixa de Correio Compartilhada através do Power Shell

Comando Power Shell para converter em Caixa de Correio Compartilhada

Set-Mailbox -identity “email@dominio.com.br” -Type Shared

 

Se precisar fazer em massa cria uma lista de e-mails, salva como CSV e roda esse comando

$csv=”caminho\para\o\arquivo.csv”

$users=Import-Csv -Path $csv -Header “email”

foreach ($user in $users)

{

Set-Mailbox -Identity $user.email -Type Shared -ErrorAction Continue

}

Vamos falar um pouco sobre Power BI

   Power BI

O Power BI é um serviço de análise de negócios da Microsoft lançado a 24 de julho de 2015. O objectivo do Power BI é fornecer visualizações interactivas e recursos de business intelligence com uma interface simples para que os usuários finais criem os seus próprios relatórios e dashboards.

Fonte : Wikipédia

Agora vou compartilhar um pouco sobre o conhecimento adquirido em estudos da ferramenta.

10 Coisas que todo Cientista de dados já fez.

10 Coisas que todo Cientista de dados já fez.

1. Começar a aprender Machine Learning no Weka.

2. Usar Iris dataset .

3. Apreender árvores de decisão pelo jogo de tênis do livro do Mitchell.

4. Fazer a primeira rede deep learning usando uma base MNIST.

5. Usar o pacote e1071.

6. Assistir o curso online do Andrew Ng.

7. Contruir um classificador de textos usando o Naive Bayes.

8. Tentar usar a base do Nexflix para fazer um sistema de classificação e recomendações.

9. Procurar problemas que ajudem o seu algoritmo  favorito a se tornar melhor ainda.

10. Ler os artigos da KDNuggets.

E você acha que tem mais algum que complete esta lista ?

Falando um Pouco Sobre R Introdução e preliminares

exibição. Entre outras coisas, tem
• uma instalação eficaz de manipulação e armazenamento de dados,
• um conjunto de operadores para cálculos em matrizes, em matrizes,
• uma grande e coerente coleção integrada de ferramentas intermediárias para análise de dados,
• recursos gráficos para análise de dados e exibição diretamente no computador ou em
cópia impressa e
• uma linguagem de programação bem desenvolvida, simples e eficaz, que inclui condicionais,
loops, funções recursivas definidas pelo usuário e recursos de entrada e saída. (De fato
a maioria das funções fornecidas pelo sistema são gravadas na linguagem S.)
O termo “ambiente” pretende caracterizá-lo como um projeto totalmente planejado e coerente.
sistema, em vez de um acréscimo incremental de ferramentas muito específicas e inflexíveis, como é
freqüentemente o caso com outro software de análise de dados.
R é muito mais um veículo para novos métodos de análise interativa de dados. Como
tal é muito dinâmico e os novos lançamentos nem sempre foram totalmente compatíveis
com versões anteriores. Alguns usuários aceitam as mudanças devido ao bônus de novos
tecnologia e novos métodos que vêm com novos lançamentos; outros parecem estar mais preocupados
pelo fato de que o código antigo não funciona mais. Embora R seja uma programação
linguagem, deve-se considerar a maioria dos programas escritos em R como essencialmente efêmeros.

1- Software e documentação relacionados

R pode ser considerado como uma implementação da linguagem S que foi desenvolvida na Bell
Os laboratórios de Rick Becker, John Chambers e Allan Wilks, e também formam a base dos sistemas S-Plus.
A evolução da linguagem S é caracterizada por quatro livros de John Chambers e
coautores. Para R, a referência básica é A nova linguagem S: um ambiente de programação
para análise de dados e gráficos por Richard A. Becker, John M. Chambers e Allan R.
Wilks Os novos recursos do lançamento de 1991 do S (S versão 3) são abordados em Modelos Estatísticos.
em S editado por John M. Chambers e Trevor J. Hastie.
Além disso, a documentação para S / S-Plus pode ser usada com R, mantendo o
diferenças entre as implementações de S em mente

Analise de Regressão Simples – Exercício de Fixação

Enunciado
A atividade de fixação desta trilha será a resolução de alguns problemas de Análise de Regressão Simples utilizando o R. Problema 1 Para uma amostra de oito operadores de máquina, foram coletados o número de horas de treinamento (x) e o tempo necessário para completar o trabalho (y). Os dados coletados encontram-se na tabela abaixo:

Com estes dados, faça: a) Um gráfico de dispersão para os dados b) Determine o modelo de regressão linear simples entre as variáveis x e y, sendo y a variável resposta. c) Faça uma análise do modelo de regressão utilizando a função summary i: resíduos, significância estatística dos coeficientes, percentual de variância explicada pelo modelo. d) Trace, no gráfico anterior, a reta de regressão.

Resposta 1 – A) Um gráfico de dispersão para os dados x <- c(5.2, 5.1, 4.9, 4.6, 4.7, 4.8, 4.6, 4.9) y <- c(13 , 15 , 16, 20, 19, 17, 21, 16) dados <- data.frame(x = x, y = y) plot(x,y)

Verificamos que se trata de uma correlaçãolinear negativa: observando o gráfico da esquerda para a direita, verifica-se que, conforme a variável “x” aumenta (número de horas de treinamento), a variável “y” (o tempo necessário para completar o trabalho) diminui.
Resposta 1 – b) Determine o modelo de regressão linear simples entre as variáveis x e y, sendo y a variável resposta. mod <- lm(y ~ x, data = dados) mod ## ## Call: ## lm(formula = y ~ x, data = dados) ## ## Coefficients: ## (Intercept) x ## 74.90 -11.91 Aplicamos o comando de Regressão Linear com lm(y~x) Resposta 1 - c) Faça uma análise: Do modelo de regressão utilizando a função summary summary(mod) ## ## Call: ## lm(formula = y ~ x, data = dados) ## ## Residuals: ## Min 1Q Median 3Q Max ## -0.72059 -0.52941 -0.02941 0.27941 0.89706 ## ## Coefficients: ## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 74.897 5.514 13.58 9.88e-06 ***
## x -11.912 1.136 -10.49 4.42e-05 ***
## —
## Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ‘ 1
##
## Residual standard error: 0.6624 on 6 degrees of freedom ## Multiple R-squared: 0.9483, Adjusted R-squared: 0.9396
## F-statistic: 110 on 1 and 6 DF, p-value: 4.416e-05

i: resíduos, significância estatística dos coeficientes, percentual de variância explicada pelo modelo.
Observando o p (p-value) e convertendo-o temos: (0,00004416) que é muito menor que os níveis de significância especificados para amostra que geralmente são (0,10;0,05 ou 0,01), a diferença é bem significativa.
Propomos um modelo de regressão linear de primeira ordem dado pela equação: =0+1+² onde 01 são parâmetros desconhecidos ² é o erro aleatório. O R retorna o valor dos coeficientes de ^0 e ^ 1 estimados via Método de Mínimos Quadrados. Logo, a equação da reta ajustada é dada por ^ = -11.91X + 74.90

A função summary apresenta os quartis da distribuição dos resíduos; pelos valores apresentados, os resíduos não indicando distorções na distribuição. Faremos os gráficos diagnósticos do ajuste para melhor análise.

Resposta 1 – d)Trace, no gráfico anterior, a reta de regressão.

par(mfrow = c(2,2))
plot(mod)

Analisando o gráfico dos “Residuals vs Fitted” (resíduos versus ajustado): Este gráfico é um exemplo clássico de um resíduo “bem comportado” . Aqui estão as características de um lote bem-comportado versus o gráfico de ajustes e o que eles sugerem sobre a adequação do modelo de regressão linear simples: a) Os residuais “saltam aleatoriamente” em torno da linha 0. Isso sugere que a suposição de que o relacionamento é linear é razoável. b) Os resíduos formam aproximadamente uma “faixa horizontal” ao redor da linha 0. Isso sugere que as variações dos termos de erro são iguais. c) Nenhum resíduo “destaca-se” do padrão aleatório básico de resíduos. Isso sugere que não há “outliers”. Pelo gráfico Normal Q-Q observamos também que os resíduos têm uma distribuição que se aproxima bem da normal. Estas duas constatações nos permitem dizer que estamos atendendo as hipóteses de homocedasticidade e distribuição normal da variável resposta, requisitos do método dos mínimos quadrados ordinários. Podemos obter o coeficiente de correlação linear (r) por meio do comando:

cor(x,y)

## [1] -0.9737856

Podemos interpretar o sinal negativo como sendo causado pelo decrescimento do valor de y ao longo de x. Por outro lado, se tomarmos o módulo de r (coeficiente linear) teremos uma correlação linear negativa forte, conforme a tabela abaixo:

O trabalho decresce em relação à proporção com que se aumenta o número de horas do treinamento. Ou seja, y decresce quase na mesma velocidade com que x cresce. Por fim, ainda, podemos calcular e interpretar o coeficiente de determinação (^2):

cor(x,y)^2
## [1] 0.9482584

Deste resultado, inferimos que aproximadamente 95% da diminuição do tempo de execução do trabalho está relacionada com o aumento do número de horas do treinamento. Em outras palavras, 95% das variações em y são explicadas por variações em x. Os outros 5% possuem outras causas.

Resposta 1 – d)Trace, no gráfico anterior, a reta de regressão.
z <- plot(x,y) grid(z) #aplicando grid ao gráfico abline(mod) #aplicando reta e regressão ao gráfico para os dados

mod ##
## Call:
## lm(formula = y ~ x, data = dados)
##
## Coefficients:
## (Intercept) x
## 74.90 -11.91

Através dos resultados fornecidos pelo R, concluímos que a equação da reta que melhor aproxima os pontos é = -11,91x+7,90. Além disso, foi traçada a reta de regressão juntamente com o gráfico de dispersão logo abaixo, através do comando abline(mod).