1
Presentación de Keras
Gratuito
En este primer capítulo, conocerá las redes neuronales, comprenderá qué tipo de problemas pueden resolver y cuándo utilizarlas. También construirás varias redes y salvarás la Tierra entrenando un modelo de regresión que se aproxima a la órbita de un meteorito que se acerca a nosotros.
2
Profundizar
Al final de este capítulo, sabrá cómo resolver problemas binarios, multiclase y multietiqueta con redes neuronales. Todo ello resolviendo problemas como detectar billetes de dólar falsos, decidir quién lanzó qué dardo a un tablero y construir un sistema inteligente para regar su granja. También podrás trazar las métricas de entrenamiento del modelo y detener el entrenamiento y guardar tus modelos cuando ya no mejoren.
3
Mejorar el rendimiento de su modelo
En los capítulos anteriores has entrenado a un montón de modelos. Ahora aprenderá a interpretar las curvas de aprendizaje para comprender sus modelos a medida que se entrenan. También visualizará los efectos de las funciones de activación, los tamaños de lote y la normalización de lotes. Por último, aprenderá a realizar la optimización automática de hiperparámetros a sus modelos Keras utilizando sklearn.
4
Arquitecturas de modelos avanzadas
Es hora de introducirse en arquitecturas más avanzadas. Creará un autocodificador para reconstruir imágenes ruidosas, visualizará activaciones de redes neuronales convolucionales, utilizará modelos profundos preentrenados para clasificar imágenes y aprenderá más sobre redes neuronales recurrentes y a trabajar con texto mientras construye una red que predice la siguiente palabra de una frase.

Initializing

Entrenamiento con validación cruzada

Es hora de entrenar el modelo con los mejores parámetros encontrados: 0,001 para la tasa de aprendizaje, 50 épocas, un tamaño_lote de 128 y activaciones relu.

La función create_model() del ejercicio anterior está lista para su uso. X y y se cargan como funciones y etiquetas.

Utilice los mejores valores encontrados para su modelo al crear su objeto KerasClassifier para que se utilicen al realizar la validación_cruzada.

Termina este capítulo entrenando un modelo afinado impresionante en el conjunto de datos del cáncer de mama.

Importar KerasClassifier de tensorflow.keras scikit_learn wrappers.
Crear un objeto KerasClassifier que proporcione los mejores parámetros encontrados.
Pase su model, características y etiquetas a cross_val_score para realizar la validación cruzada con 3 pliegues.