- Aspectos prácticos del aprendizaje profundo
- Se estudiará cómo configurar su aplicación de aprendizaje automático, separando los sets de entrenamiento y testeo. Se entenderá que es la regularización en una red neuronal y cómo definir el problema para poder optimizarlo.
- Algoritmos de Optimización
- Se estudiarán los distintos métodos de optimización que se pueden utilizar en el entrenamiento de redes neuronales profundas. Además, se analizarán las ventajas de trabajar con minibatches para acelerar el proceso y los beneficios de aplicar una diminución progresiva a la tasa de aprendizaje.
- Ajuste de Hiperparámetros, Normalización por lotes e implementación en Tensorflow
- Se aprenderán las principales técnicas y opciones en el ajuste de Hiperparámetros, la normalización por lotes y se introducirá la librería Tensorflow para la implementación de redes neuronales en Python
