Lección 19 del módulo “Redes Neuronales” del curso Fundamentos de Deep Learning con Python.
En las lecciones anteriores hablamos de los sets de entrenamiento, prueba y validación y de los conceptos de underfitting y overfitting, así que ya estamos listos para aplicar estas ideas de forma práctica.
Entonces, en esta lección resolveremos el mismo problema propuesto en la práctica 5 (detección de partículas con Redes Neuronales) pero en este caso usaremos los sets de entrenamiento, prueba y validación para entrenar múltiples modelos y escoger aquel que tenga mejor desempeño.
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.
Perfecto, ya hemos seguido un procedimiento más riguroso para la creación y entrenamiento de una Red Neuronal capaz de clasificar partículas.
Y para lograr mejorar el desempeño hemos usado técnicas de reducción del overfitting como el Dropout y el weight regularization.
Y siguiendo con esta idea de la reducción del overfitting, en la próxima lección hablaremos de una herramienta muy útil en el proceso de afinación de un modelo y que permite reducir el overfitting. Así que veremos en detalle las diferentes técnicas de regularización en el Deep Learning.
Todas las lecciones del curso Fundamentos de Deep Learning con Python