Lección 13 del módulo “Redes Neuronales” del curso Fundamentos de Deep Learning con Python.
En la lección anterior vimos de forma práctica cómo resolver un problema de Clasificación Multiclase en Keras. Con esto, junto con los conceptos vistos sobre la Neurona Artificial, ya estamos listos para comenzar a hablar de la primera arquitectura del Deep Learning: las Redes Neuronales.
En particular en esta lección veremos de forma intuitiva las características y principio de funcionamiento de esta arquitectura.
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Muy bien acabamos de ver cómo múltiples neuronas artificiales interconectadas generan fronteras de decisión no lineales, lo que constituye la base de cualquier Red Neuronal.
Además, vimos cómo al agregar más capas ocultas se obtienen Redes Neuronales Profundas (o Deep Neural Networks), capaces de crear fronteras de decisión más complejas.
Así que con esto ya hemos visto el principio general de funcionamiento de una Red Neuronal y de una Red Neuronal profunda, pero de forma muy intuitiva.
Sin embargo, aún nos quedan varias preguntas por resolver:
- En el caso de estas Redes Neuronales, ¿estamos limitados únicamente al uso de las funciones de activación sigmoidal y softmax, o existen otras opciones?
- ¿Cómo se realiza el entrenamiento de la Red Neuronal?
- ¿Cómo determinar el tamaño que debe tener la Red para un problema en particular?
En las próximas lecciones daremos respuesta a cada una de estas preguntas, comenzando con la próxima lección en la cual hablaremos en detalle de las Funciones de Activación.
Todas las lecciones del curso Fundamentos de Deep Learning con Python.