Contenido

Objetivo

Apreciar las diferentes técnicas y algoritmos para optimización y ajuste de modelos e hiperparámetros.

Descripción

En esta experiencia educativa, tendrás la posibilidad de descubrir aquellas técnicas que permiten mejorar ciertas características de los modelos de aprendizaje profundo, a través de algoritmos que entrenan y optimizan el funcionamiento de una red neuronal.

Explicación

Haz clic para revisar la explicación.

Técnicas de aprendizaje profundo

Recursos adicionales

Los siguientes enlaces son externos a la Universidad Tecmilenio, al acceder a ellos considera que debes apegarte a sus términos y condiciones.

Revisa el siguiente video:

Para conocer más sobre técnicas de aprendizaje profundo, te recomendamos revisar el siguiente video:

Simplilearn. (2020, 11 de septiembre). Overfitting And Underfitting Machine Learning | Machine Learning Tutorial For Beginners |Simplilearn [Archivo de video]. Recuperado de https://www.youtube.com/watch?v=W-0-u6XVbE4

Actividad

Objetivo

Reforzar los conceptos de regularización en aprendizaje profundo.

Instrucciones

Contesta el siguiente cuestionario:

  1. El overfitting o sobreajuste es un fenómeno indeseado en un modelo de aprendizaje automático que provoca que sea bueno al trabajar con los datos de entrenamiento, pero no con datos nuevos o nunca vistos.
  2. Para minimizar el error durante el entrenamiento se utilizan técnicas de regularización. Investiga sobre la estrategia de regularización DropOut utilizada en el aprendizaje profundo y explica con un ejemplo cómo funciona.
  3. Define una estrategia para mejorar el desempeño de una red neuronal. Asegúrate de incluir alternativas de búsqueda de hiperparámetros, regularización y optimización.
Checklist

Asegúrate de:

  • Responder de manera clara, y en relación con lo aprendido en este tema.
  • Argumentar tus respuestas generando conclusiones válidas.