Lección 9 del módulo “Redes Neuronales” del curso Fundamentos de Deep Learning con Python.
En la lección anterior vimos en detalle qué es y cómo funciona la Neurona Artificial, el elemento esencial de todas las arquitecturas de Deep Learning que veremos en este curso.
Pero nos quedaba planteada una incógnita, que era ¿cómo es posible lograr que la Neurona aprenda los coeficientes del modelo para realizar la clasificación binaria?
Pues para responder a esta pregunta debemos hablar de la entropía cruzada y del proceso mismo de entrenamiento de la Neurona Artificial, que es precisamente el tema de esta lección.
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.
Acabamos de ver cómo realizar el entrenamiento de la Neurona Artificial, que en esencia sigue la misma lógica de la Regresión Lineal con una excepción: en lugar de usar el error cuadrático medio, usaremos la entropía cruzada como pérdida durante el proceso de entrenamiento.
Con esto ya tenemos un procedimiento que permitirá calcular de forma automática (es decir aprender) los coeficientes del modelo para realizar la clasificación. Un aspecto importante a resaltar es que, con el modelo entrenado, la frontera de decisión obtenida será totalmente lineal (más adelante, cuando hablemos de Redes Neuronales veremos cómo lograr fronteras de decisión más complejas, con características no-lineales).
Y con estos conceptos claros ya estamos listos para la tercera práctica de esta sección, en donde veremos cómo implementar una Neurona Artificial en Keras.
Todas las lecciones del curso Fundamentos de Deep Learning con Python