Lección 5 del módulo “Redes Neuronales” del curso Fundamentos de Deep Learning con Python.
En la lección anterior vimos cómo implementar el algoritmo de Regresión Lineal en Python. En ese caso asumimos que el modelo contaba con una sola variable independiente (o característica de entrada): el área del inmueble.
En esta lección veremos cómo se puede extender esta idea de la Regresión Lineal a múltiples dimensiones, es decir a situaciones en las que tengamos modelos con múltiples variables independientes (es decir múltiples características de entrada).
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 que las mismas ideas de la Regresión Lineal simple se pueden extender para resolver un problema en múltiples dimensiones. En este caso particular asumimos un vector de entrada de dimensionalidad 3 (correspondiente a las tres variables independientes), pero las mismas ideas que vimos para el entrenamiento del modelo se pueden extender a n dimensiones.
En la siguiente lección hablaremos de una variante del algoritmo del Gradiente Descendente visto anteriormente: el Gradiente Descendente estocástico con “mini-batch”, que es la implementación usada en la práctica al momento de implementar diferentes modelos de Deep Learning.
Todas las lecciones del curso Fundamentos de Deep Learning con Python.