Lección 2 del módulo “Redes Neuronales” del curso Fundamentos de Deep Learning con Python.
En el primer módulo del curso vimos el significado intuitivo de la palabra “modelo” en el entorno del Deep Learning y hablamos igualmente del proceso de entrenamiento como el equivalente a ajustar o mover unas “perillas” correspondientes a los parámetros del modelo.
En la lección anterior vimos una introducción general a las Redes Neuronales y en particular mencionamos diferentes elementos que vamos a comenzar a desarrollar poco a poco en estas lecciones.
Y tal vez uno de los elementos esenciales es el algoritmo que controla el movimiento de estas “perillas” y que resulta fundamental pues se usa en el entrenamiento de prácticamente todos los modelos de Deep Learning. Así que en esta lección veremos qué es y cómo funciona entonces del algoritmo del Gradiente Descendente.
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 funciona el algoritmo del Gradiente Descendente, que en esencia es un algoritmo de optimización, pues permite minimizar una función de forma iterativa, para lo cual necesitamos únicamente definir los hiperparámetros tasa de aprendizaje y número de iteraciones.
Este sencillo concepto resultará esencial más adelante cuando hablemos del proceso de entrenamiento de los diferentes modelos de Deep Learning.
En la próxima lección veremos entonces cómo usar este algoritmo del Gradiente Descendente para implementar el modelo más simple del Machine Learning: la Regresión Lineal.
Todas las lecciones del curso Fundamentos de Deep Learning con Python.