La necesidad de optimizar

Introducción al Deep Learning en Python

Dan Becker

Data Scientist and contributor to Keras and TensorFlow libraries

Red neuronal base

Red neuronal base

Red neuronal base

Red neuronal base

Red neuronal base

Red neuronal base

Red neuronal base

Red neuronal base

Red neuronal base

Predicciones con múltiples puntos

• Predecir bien es más difícil con más puntos
• Para un conjunto de pesos, hay muchos valores de error
• ... uno por cada punto a predecir

Función de pérdida

• Agrega los errores de muchos puntos en un solo número
• Mide el rendimiento predictivo del modelo

Pérdida de error cuadrático

Pérdida de error cuadrático

Pérdida de error cuadrático

Función de pérdida

Función de pérdida

Función de pérdida

Función de pérdida

• Menor pérdida implica mejor modelo
• Objetivo: pesos que minimicen la pérdida
• Descenso de gradiente

Descenso de gradiente

• Imagina un campo totalmente oscuro
• Quieres hallar el punto más bajo
• Toca el suelo para notar la pendiente
• Da un pequeño paso cuesta abajo
• Repite hasta que esté cuesta arriba en todas direcciones

Pasos del descenso de gradiente

• Empieza en un punto aleatorio
• Hasta estar en una zona plana:
  • Calcula la pendiente
  • Da un paso cuesta abajo

Optimizar un modelo con un solo peso

Optimizar un modelo con un solo peso

Optimizar un modelo con un solo peso

Optimizar un modelo con un solo peso

Optimizar un modelo con un solo peso

Optimizar un modelo con un solo peso

Optimizar un modelo con un solo peso

Optimizar un modelo con un solo peso

Optimizar un modelo con un solo peso

¡Vamos a practicar!

Introducción al Deep Learning en Python