1. Aprende
    2. /
  2. Cursos
    3. /
  3. Introducción al Aprendizaje Profundo en Python
  • 1

    Fundamentos del aprendizaje profundo y las redes neuronales

    Gratuito

    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

Ejercicio

Mejorar las ponderaciones del modelo

¡Hurra! Acabas de calcular las pendientes que necesitas. Ahora es el momento de utilizar esas pendientes para mejorar tu modelo. Si añades las pendientes a tus pesas, avanzarás en la dirección correcta. Sin embargo, es posible ir demasiado lejos en esa dirección. Así que primero querrás dar un pequeño paso en esa dirección, utilizando una tasa de aprendizaje más baja, y comprobar que el modelo mejora.

Los pesos se han precargado como weights, el valor real del objetivo como target, y los datos de entrada como input_data. Las predicciones de los pesos iniciales se almacenan como preds.

Instrucciones

100 XP
  • Establece la tasa de aprendizaje en 0.01 y calcula el error de las predicciones originales. Esto se ha hecho por ti.
  • Calcula los pesos actualizados restando el producto de learning_rate y slope de weights.
  • Calcula las predicciones actualizadas multiplicando weights_updated por input_data y calculando su suma.
  • Calcula el error de las nuevas predicciones. Guarda el resultado como error_updated.
  • Pulsa "Enviar respuesta" para comparar el error actualizado con el original.