Lección 3 del módulo “Redes Neuronales” del curso Fundamentos de Deep Learning con Python.
En la lección anterior vimos el primer algoritmo fundamental del Deep Learning: el algoritmo del Gradiente Descendente.
En esta lección hablaremos de un segundo algoritmo de gran importancia, y con el cual podremos comprender en detalle conceptos como el modelo y sus parámetros, la pérdida, el proceso de optimización, el aprendizaje y el entrenamiento.
Hablaremos entonces de la Regresión Lineal y veremos además su conexión con el 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 todos los detalles de la Regresión Lineal, un algoritmo que se puede resumir en los siguientes pasos: (1) contar con un set de datos que relacione linealmente las variables; (2) entrenar un modelo definiendo la pérdida y usando el algoritmo del Gradiente Descendente para encontrar el mejor set de parámetros posible; (3) generar predicciones con el modelo entrenado.
Con este sencillo modelo ya hemos completado un primer escalón que nos permitirá posteriormente entender cómo funciona una Neurona Artificial y una Red Neuronal. Por ahora es momento de afianzar los conceptos que acabamos de ver, así que en la próxima lección realizaremos la primera práctica de este módulo: la Regresión Lineal desde cero en Python.
Todas las lecciones del curso Fundamentos de Deep Learning con Python.