ResNet 50 lleva accuracy de 0.69 a 0.96
Contenido del curso
Alfonso G. Bastias
Gerson Ramirez
Edgar A. Gonzalez Ambriz
Sebastian Briones
Por favor, paren la tontera de interruptor el curso con preguntas básicas... estan arruinando el curso!
Qué tan viable creen que sería aplicar técnicas como Data Augmentation y Transfer Learning, que han demostrado mejorar el rendimiento en modelos médicos, al ámbito comercial y de marketing? Por ejemplo: Podríamos usar Data Augmentation para enriquecer modelos de clasificación de productos o imágenes publicitarias, y Transfer Learning para optimizar la segmentación de clientes con menos datos disponibles?
¿ En éste tipo de redes si hubiera sobreajuste durante la etapa de entrenamiento también es útil agregar capas de dropout ?
Sí, agregar capas de dropout puede ser útil para mitigar el sobreajuste en este tipo de redes. Dropout actúa como una forma de regularización al desconectar aleatoriamente un porcentaje de las unidades en una capa durante el entrenamiento, lo que previene la dependencia excesiva de ciertas conexiones y mejora la generalización del modelo.
Si el sobreajuste es significativo, puedes probar distintas estrategias:
Si el problema persiste, quizá sea necesario ajustar la arquitectura o evaluar la cantidad y calidad de los datos de entrenamiento.
