1. Learn
    2. /
  2. Courses
    3. /
  3. Introducción al Aprendizaje Profundo en Python
  • 1

    Fundamentos del aprendizaje profundo y las redes neuronales

    Free

    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.

  • 2

    Optimización de una red neuronal con propagación hacia atrás

    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.

  • 3

    Construir modelos de aprendizaje profundo con keras

    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.

  • 4

    Ajuste fino de los modelos keras

    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.

Initializing

Exercise

Cálculo de pendientes

Ahora vas a practicar el cálculo de pendientes. Al trazar la función de pérdida del error cuadrático medio frente a las predicciones, la pendiente es 2 * x * (xb-y), o 2 * input_data * error. Ten en cuenta que x y b pueden tener varios números (x es un vector para cada punto de datos, y b es un vector). En este caso, la salida también será un vector, que es exactamente lo que quieres.

Ya puedes escribir el código para calcular esta pendiente utilizando un único punto de datos. Utilizarás ponderaciones predefinidas denominadas weights, así como los datos de un único punto denominado input_data. El valor real del objetivo que quieres predecir se almacena en target.

Instructions

100 XP
  • Calcula las predicciones, preds, multiplicando weights por input_data y calculando su suma.
  • Calcula el error, que es preds menos target. Observa que este error corresponde a xb-y en la expresión del gradiente.
  • Calcula la pendiente de la función de pérdida respecto a la predicción. Para ello, tienes que tomar el producto de input_data y error y multiplicarlo por 2.