Inicialización y Entrenamiento de RN

Clase 9 de 22 • Curso de Redes Neuronales en Keras y Scikit-Learn 2019

Contenido del curso

Apropiar conceptos fundamentales de las redes neuronales

1
¿Qué es una red neuronal?
05:35 min

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

2
Frameworks de Deep Learning
04:56 min

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

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

Cierre del curso

22
Cierre del curso
09:14 min

Tomar examen

Comentarios

María José Medina

student•

En este gif se ilustra la importancia de escoger un buen learning rate.

Omar Larasa

student•

Wow, muchas gracias, bastante útil

Sergio Rubiano

student•

En el curso de google sobre AA se explica un poco mejor lo que esta tratando de decir el docente con respecto al descenso de gradientes, les comparto el link https://developers.google.com/machine-learning/crash-course/fitter/graph

Jaime Arturo Blanco Gutiérrez

student•

En este video es muy explicativo acerca del descenso del gradiente: https://www.youtube.com/watch?v=A6FiCDoz8_4

Jorge Iguarán Cotes

student•

Creo que falta aclarar lo que significa LSTM y CNN. LSTM significa long short term memory. Es un tipo de red neuronal bastante popular para trabajar con series de tiempo pues cuenta con unas variaciones que le permiten "tener memoria". Por otro lado las CNN, o redes convolucionales, suelen ser utilizadas para el procesamiento de imagenes y deteccion de patrones.

Miguel Moreno

student•

En general, estamos buscando los pesos óptimos, los pesos con menor error. La función costo es la función que nos mide el error, por lo que estamos buscando el mínimo absoluto de la función costo. Lo mejor es usar una función costo diferenciable (como las tres que se mostraron), podemos usar calculo diferencial para encontrar dicho mínimo, este es el punto con menor valor de entre todos los puntos que tienen gradiente 0 (de existir). Por esto es que siempre nos movemos en dirección del "menor" gradiente, estamos buscando un gradiente 0. La parte problemática ocurre cuando los valores iniciales están muy cercanos a un máximo local, en una vecindad de un máximo local el gradiente es muy cercano a 0 (pero en dirección contraria). Lo que el algoritmo ve es que esos puntos están cerca de un punto con gradiente 0, como el algoritmo es incapaz de diferenciar si (por la localidad) es un máximo o un mínimo, el algoritmo se va a mover lentamente en la dirección del gradiente. En este caso se van a necesitar muchísimas epochs par encontrar el mínimo local, ya que el algoritmo se demora mucho en alejarse del máximo local. El peor de los casos es que los pesos iniciales sean un máximo local. En este caso, el gradiente es 0 y no hay dirección para moverse.

Marcelo Sánchez

student•

Recordemos que el perceptron es una función que toma un valor de entrada y lo multiplica por un peso donde estos pesos son modificados en cada iteración. La pregunta natural que surge es: ¿Cuál es el peso inicial que va a maximizar la tasa de aprendizaje?

Christian Quispe Bonilla

student•

Excelente. No sabía que tanto influía en la convergencia los inicializadores. Me gustaría puedas explicar lo que significa cada uno de esos acrónimos. Me gustaría usar la Ligthning y He, pues veo que convergen rápido

Sergio Rubiano

student•

Depende de la taza de aprendizaje como tal, de esta manera se ajusta al numero de pasos para alcanzar la perdida mínima.

Inicialización y Entrenamiento de RN

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