Ajustes finales al proyecto

Clase 21 de 22 • Curso de Redes Neuronales en Keras y Scikit-Learn 2019

Rodrigo Urquizo Yepez

student•

Les recomiendo estos dos libros para que profundizen mas en Deep Learning, ya que no basta con acabar estos cursos que en realidad solo abarcan un 10% de lo que es todo el campo de la IA, aun faltan muchos temas como CNN,GANs,RNN,etc. -Hands-On Machine Learning with Scikit-Learn and Tensorflow(tiene en la portada una lagartija) -Advanced deep learning with Python(tiene en la portada un pez payaso) En ellos hay teoria y practica.

Gabriel Salvador

student•

Gracias por el consejo. Diosito te bendiga

Arturo Baduna

student•

alguien lo consiguió gratis??

Gersonrpq

student•

He intentado replicar la red neuronal utilizando scikit learn. Aca el codigo:

import sklearn.neural_network as sknn
neurons_per_layers = [99,256,128,128,1]
model_sklearn = sknn.MLPRegressor(
                            solver='adam',
                            hidden_layer_sizes = neurons_per_layers[1:],
                            verbose= True,
                            max_iter = 15,
                            activation='identity')
model_sklearn.fit(X_train_scaled,y_train_scaled)

Los resultados han sido mejores utilizando Keras, sin embargo, se podrian probar otras arquitecturas con sklearn. ¡Excelente clase!

Andrés Lancheros

student•

Hola, al hacer algunas pruebas encontré que en el conjunto de datos hay precios en 0, 1, o valores muy bajos, entonces al eliminar del conjuto de datos las filas con precios menores a 1000 USD el modelo mejoró hasta una pérdida de 0.19.

El ajuste en el dataset fue:

El ejemplo de comparación de la predicción fue:

Si ven algún error en este ajuste les agradezco me lo hagan notar.

FELIX DAVID CORDOVA GARCIA

student•

Gran aporte¡¡

rusbel bermúdez rivera

student•

Dejo un pdf con una recopilacion de temas y Cheat Sheet sobre data science, se ve bastante util.

https://www.academia.edu/39319558/Data_Science_Life_Cycle_Sheet

Mauricio Gomez

student•

Excelente, muchas gracias Rusbel... esta muy completo

Carlos Daniel Pimentel Díaz

student•

¿Cómo y dónde se podría usar el archivo PrediccionPrecios.h5?

Omar Larasa

student•

Hola, les recomiendo mucho como acompañamiento al curso el curso de intro a deep learning de Kaggle aquí. En este abarca otras partes interesantes de Keras:

El Early Stopping que es un callback que nos sirve para evitar que la rn se sobreajuste con tanto entrenar. Lo que hará es que si ve que la red neuronal no baja la función de costo, detendrá el entrenamiento y guardará los mejores pesos de la red.
La capa de Batch Normalization que sirve para normalizar las muestras que entran y fluyen por la red. Es sumamente útil para mejorar el desempeño de la red.

El curso va de 7 lecturas y prácticas, y además esta en inglés lo cual ayuda a practicarlo : D.

Adrian Martinez

student•

alguien sabe por que al momento de querer imprimer en pantalla la grafica entre el loss y el val loss no me deja si estoy usando exactamente el mismo codigo que en la clase, esta es mi segunda vez que me pasa en este curso, en el ejemplo anterior tampoco me dejo imprimir la grafica y me dice KeyError "loss"

Fernando Campos

student•

Hola 👋🏼 Si te dice error "KeyError "loss"" es porque no encuentra la Key loss, probablemente el dato que estás queriendo acceder no se llama así, pero no estoy seguro. ¿Podrías compartir tu código?

import sklearn.neural_network as sknn
neurons_per_layers = [99,256,128,128,1]
model_sklearn = sknn.MLPRegressor(
                            solver='adam',
                            hidden_layer_sizes = neurons_per_layers[1:],
                            verbose= True,
                            max_iter = 15,
                            activation='identity')
model_sklearn.fit(X_train_scaled,y_train_scaled)

Ajustes finales al proyecto

Apropiar conceptos fundamentales de las redes neuronales

¿Qué es una red neuronal?

Identificar los principales Frameworks usados en la industria para el desarrollo de Deep Learning

Frameworks de Deep Learning

Comprender los modelos de representación de las redes neuronales artificiales usados en Deep Learning

Estructura de redes neuronales

Creando nuestra primer red neuronal

Entrenando nuestra primera red neuronal

Visualizando el proceso de entrenamiento

Funciones de activación

Funciones de costo o pérdidas

Inicialización y Entrenamiento de RN

Optimizadores en redes neuronales

Clasificación Binaria

Clasificación de potenciales clientes

Análisis de resultados

Métricas de desempeño: regresión y clasificación

Evaluando métricas de desempeño

Ajuste de redes neuronales: overfitting y regularización

Regularización

Ajuste de redes neuronales: Hiper parámetros

Crear un modelo de regresión a partir de un caso de uso real

Introducción a las regresiones con Deep Learning: Planteamiento del problema

Solución del problema de regresión

Ajustes finales al proyecto

Cierre del curso

Cierre del curso