Lección 16 del módulo “Redes Neuronales” del curso Fundamentos de Deep Learning con Python.
En la lección anterior hablamos del entrenamiento de una Red Neuronal y con esto tenemos todos los elementos necesarios para implementar nuestra primera Red Neuronal en Python haciendo uso de la librería Keras.
Así que en esta práctica veremos cómo implementar una Red Neuronal capaz de clasificar diferentes tipos de partículas sub-atómicas.
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 de forma práctica cómo crear, entrenar y poner a prueba una Red Neuronal capaz de detectar la presencia de partículas subatómicas.
Con el modelo que implementamos logramos aproximadamente un 70% de exactitud al momento de la clasificación, pero sugiero experimentar con hiperparámetros como el número de capas ocultas y el número de neuronas por caá, así como el tamaño del lote y número de iteraciones de entrenamiento para intentar mejorar este desempeño.
A pesar de que el desempeño alcanzado es aceptable, quedan algunas preguntas de fondo por responder. Por ejemplo: ¿cómo saber si el modelo entrenado funcionará bien con nuevos datos, diferentes a los de entrenamiento? o ¿cómo contar con una estrategia más confiable para estimar adecuadamente los hiperparámetros del modelo?
Las respuestas a estas preguntas las tendremos en las próximas lecciones, comenzando con los sets de entrenamiento, prueba y validación de los cuales hablaremos en detalle en la próxima lección.
Todas las lecciones del curso Fundamentos de Deep Learning con Python