Inicio
Cursos
Introducción al Aprendizaje Profundo en Python

La necesidad de optimización

Name: Optimización de una red neuronal con propagación hacia atrás - La necesidad de optimización
Uploaded: 2022-11-01T00:00:00.000Z
Description: Aprende a optimizar las predicciones generadas por tus redes neuronales. Utilizarás un método llamado propagación hacia atrás, que es una de las técnicas más importantes del aprendizaje profundo. Comprender cómo funciona te dará una base sólida sobre la que construir la segunda mitad del curso.

Este ejercicio forma parte del curso

Introducción al Aprendizaje Profundo en Python

IntermedioNivel de habilidad

4.9+

50 reviews

Comienza el curso gratis

En este capítulo, te familiarizarás con los conceptos fundamentales y la terminología utilizada en el aprendizaje profundo, y comprenderás por qué las técnicas de aprendizaje profundo son tan potentes hoy en día. Construirás redes neuronales sencillas y generarás predicciones con ellas.

Exercise 1: Introducción al aprendizaje profundo Exercise 2: Comparación de los modelos de redes neuronales con los modelos de regresión clásicos Exercise 3: Propagación hacia delante Exercise 4: Codificación del algoritmo de propagación hacia delante Exercise 5: Funciones de activación Exercise 6: La función de activación lineal rectificada Exercise 7: Aplicar la red a muchas observaciones/filas de datos Exercise 8: Redes más profundas Exercise 9: Propagación hacia delante en una red más profunda Exercise 10: Redes neuronales multicapa Exercise 11: Las representaciones se aprenden Exercise 12: Niveles de representación

Aprende a optimizar las predicciones generadas por tus redes neuronales. Utilizarás un método llamado propagación hacia atrás, que es una de las técnicas más importantes del aprendizaje profundo. Comprender cómo funciona te dará una base sólida sobre la que construir la segunda mitad del curso.

Exercise 1: La necesidad de optimización

Ejercicio actual

Exercise 2: Cálculo de los errores del modelo Exercise 3: Comprender cómo las ponderaciones cambian la precisión del modelo Exercise 4: Codificar cómo afectan los cambios de peso a la precisión Exercise 5: Ampliación a múltiples puntos de datos Exercise 6: Descenso gradual Exercise 7: Cálculo de pendientes Exercise 8: Mejorar las ponderaciones del modelo Exercise 9: Actualizar varias veces los pesos Exercise 10: Retropropagación Exercise 11: La relación entre la propagación hacia delante y hacia atrás Exercise 12: Pensar en la propagación hacia atrás Exercise 13: La retropropagación en la práctica Exercise 14: Una ronda de retropropagación

En este capítulo, utilizarás la biblioteca Keras para construir modelos de aprendizaje profundo tanto de regresión como de clasificación. Conocerás el flujo de trabajo Especificar-Compilar-Ajustar que puedes utilizar para hacer predicciones y, al final del capítulo, tendrás todas las herramientas necesarias para construir redes neuronales profundas.

Exercise 1: Crear un modelo Keras Exercise 2: Comprender tus datos Exercise 3: Especificar un modelo Exercise 4: Compilar y ajustar un modelo Exercise 5: Compilar el modelo Exercise 6: Ajuste del modelo Exercise 7: Modelos de clasificación Exercise 8: Comprender tus datos de clasificación Exercise 9: Últimos pasos en los modelos de clasificación Exercise 10: Utilizar modelos Exercise 11: Hacer predicciones

Aprende a optimizar tus modelos de aprendizaje profundo en Keras. Empieza por aprender a validar tus modelos, luego comprende el concepto de capacidad del modelo y, por último, experimenta con redes más amplias y profundas.

Exercise 1: Comprender la optimización de modelos Exercise 2: Diagnosticar problemas de optimización Exercise 3: Cambiar los parámetros de optimización Exercise 4: Validación del modelo Exercise 5: Evaluación de la precisión del modelo en el conjunto de datos de validación Exercise 6: Parada anticipada: Optimizar la optimización Exercise 7: Experimentar con redes más amplias Exercise 8: Añadir capas a una red Exercise 9: Pensar en la capacidad del modelo Exercise 10: Experimentar con estructuras modelo Exercise 11: Paso a las imágenes Exercise 12: Construir tu propio modelo de reconocimiento de dígitos Exercise 13: Reflexiones finales