en que momento vamos a instalar todo para empezar a programar?
Entender el concepto de Red Neuronal y Aprendizaje Profundo
Todo lo que aprenderás sobre TensorFlow.js
Redes Neuronales, una visita express
Aprendizaje profundo
Conocer qué es TensorFlow y TensorFlow.js
¿Qué es TensorFlow?
TensorFlow con JavaScript
Inteligencia Artificial y ML en el navegador
Entender cuáles son los componentes básicos de una Red Neuronal y cómo entrenarla
Entradas, capas y salidas
Entrenando un modelo
Visualización del proceso de entrenamiento
Almacenamiento de modelos de redes neuronales
Entender cual es la forma común de utilizar un modelo de Red Neuronal
Optimización de modelos
Modelo general de utilización
Transfiriendo el aprendizaje
Diseñar un modelo de Regresión Lineal
Diseñando un modelo de regresión lineal
Entrenando un modelo de regresión lineal
Preparando datos para un modelo de regresión lineal
Utilizando un modelo de regresión lineal
Crear una aplicación en JavaScript que utilice un modelo de clasificación de Imágenes
Diseñando un modelo de clasificación de imágenes
Utilizando un modelo de clasificación de imágenes
Transferencia de conocimiento a un modelo de clasificación de imágenes
Conclusión
Resúmen y siguientes pasos
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Si ya tienes una cuenta,
Entrenando un modelo
8/21Recursos
Aportes 7
Preguntas 1
Ordenar por:
En una clase del curso de Introducción a Machine Learning se explica como usar el Neural Network Playground. --> Link a la clase
Antes de entrenar el modelo debemos decidir 3 cosas:
- Un optimizador: Que optimizador utilizar?
- Una funcion de perdida: Que funcion de perdida utilizar?
- Una lista de metricas: Cual es la lista de metricas con base a las cuales iremos monitoreando el aprendizaje de nuestro modelo.
La regularización y normalización de los datos favorece los cálculos de los valores de parámetros (pesos) y el acercamiento acelerado al menor costo (pérdida) en el entrenamiento. Al llevar todos los features (valores de entrada) a un rango controlado entre 0 y 1 ó, -1 y 1 la cantidad de iteraciones necesarias para llegar al mínimo de la función de pérdida (o costo) es generalmente menor por lo que el tiempo necesario para el entrenamiento del modelo se podría reducir considerablemente.
Funciones de pérdida
Es el objetivo que el modelo intentará minimizar. Su meta es devolver un número que indique “que tan mal” está la predicción del modelo. Este cálculo se realiza para cada “lote” de datos de entrenamiento. Existen algunas funciones predefinidas como “categoricalCrossentropy” o “meanSquaredError”.
🔹 categoricalCrossentropy
Medida de entropía que permite clasificar claramente entre dos categorías
🔹 meanSquaredError
Distancia mínima cuadrada entre los puntos que el modelo está aprendiendo y el punto que se esta prediciendo.
- La función de pérdida se irá calculando de manera repetitiva para cada batch de datos y finalmente, el optimizador será el encargado de ir moviendo los parámetros tal que la función de pérdida sea mínima.
¿Se puede utilizar las mismas imágenes de entrenamiento para la evaluación? Es decir ingresamos 10 imágenes para entrenarle alguna de esas imágenes se puede utilizar para evaluar.
Cabe aclarar que este modelo no funciona cuando el digito dibujado no es encuentra en el centro, para esto existen las redes neuronales convolucionadas
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?