Optimización de Redes Neuronales Profundas

Habilidades que obtendrás

• Implementar una red neuronal en TensorFlow.

• Utilizar eficazmente los "trucos" comunes de la red neuronal, incluida la inicialización, la regularización de L2, los dropout y la normalización por lotes (Batch)

• Implementar y aplicar una variedad de algoritmos de optimización.

• Comprender las mejores prácticas de la industria para crear aplicaciones de aprendizaje profundo.

Contenido

Aspectos prácticos del aprendizaje profundo

MÓDULO 1: 2 horas para finalizar

Se estudiará cómo configurar su aplicación de aprendizaje automático, separando los sets de entrenamiento y testeo. Se entenderá que es la regularización en una red neuronal y cómo definir el problema para poder optimizarlo.

Incluye

7 videos

3 lecturas

1 cuestionario

1 laboratorio sin calificar

Algoritmos de Optimización

MÓDULO 2: 2 horas para finalizar

Se estudiarán los distintos métodos de optimización que se pueden utilizar en el entrenamiento de redes neuronales profundas. Además, se analizarán las ventajas de trabajar con minibatches para acelerar el proceso y los beneficios de aplicar una disminución progresiva a la tasa de aprendizaje.

Incluye

5 videos

1 cuestionario

1 laboratorio sin calificar

Ajuste de Hiperparámetros, Normalización por lotes e implementación en Tensorflow

MÓDULO 3: 3 horas para finalizar

Se aprenderán las principales técnicas y opciones en el ajuste de Hiperparámetros, la normalización por lotes y se introducirá la librería Tensorflow para la implementación de redes neuronales en Python

Incluye

4 videos

1 tarea de programación

Explorar temas