Lección 13 del módulo “Redes Recurrentes y LSTM” del curso Fundamentos de Deep Learning con Python.
En la lección anterior vimos cómo realizar la predicción de la demanda energética usando Redes LSTM, logrando un modelo con un desempeño bastante bueno, con un error en la predicción reducido durante las primeras 20 horas de predicción.
En esta última lección del módulo resumiremos las principales ventajas y desventajas que tienen las Redes Recurrentes y LSTM en el procesamiento de secuencias.
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, habiendo visto estas ventajas y limitaciones de las Redes Recurrentes y LSTM tenemos ya un panorama claro de las principales características y campos de aplicación de estas arquitecturas.
Así que estamos listos para entrar a la última sección del curso, en donde hablaremos de las Redes Transformer, una arquitectura desarrollada en 2017 y que resuelve de forma efectiva varias de las limitaciones discutidas hace un momento, lo que ha hecho que esta nueva arquitectura haya revolucionado campos como el Procesamiento del Lenguaje Natural e incluso el Procesamiento de Imágenes.
Así que en la próxima lección veremos una introducción a estas Redes Transformer.
Todas las lecciones del curso Fundamentos de Deep Learning con Python.