Información administrativa
| Título | Técnicas de regularización |
| Duración | 60 |
| Módulo | B |
| Tipo de lección | Conferencia |
| Enfoque | Técnico — Aprendizaje profundo |
| Tema | Técnicas de regularización |
Keywords
Regularización, Callbacks, GridSearch,
Objetivos de aprendizaje
- Examinar los inicializadores de peso
- Investigar el sesgo
- Aplicar abandono escolar y ruido
- Devoluciones de llamadas impliment
- Subsandar e implementar una GridSearch
- Aplicar técnicas de sobreajuste no tradicionales
Preparación prevista
Eventos de aprendizaje que se completarán antes
Ninguno.
Obligatorio para los estudiantes
Ninguno.
Opcional para estudiantes
Ninguno.
Referencias y antecedentes para estudiantes
- John D Kelleher y Brain McNamee. (2018), Fundamentos del aprendizaje automático para análisis de datos predictivos, MIT Press.
- Michael Nielsen. (2015), Redes neuronales y aprendizaje profundo, 1. Prensa de determinación, San Francisco CA USA.
- Charu C. Aggarwal. (2018), Redes neuronales y aprendizaje profundo, 1. Springer
- Antonio Gulli, Sujit Pal. Aprendizaje profundo con Keras, Packt, [ISBN: 9781787128422].
Recomendado para profesores
Ninguno.
Material didáctico
Instrucciones para profesores
Esta conferencia presentará a los estudiantes los fundamentos de la sintonización de hiperparámetros. Utilizaremos el conjunto de datos del censo como ejemplos del uso y los resultados de las técnicas de regularización. El conjunto de datos del Censo de Adultos es un problema de clasificación binaria. El objetivo de esta conferencia es introducir varias formas de regularización, comenzando con inicializadores de peso, sesgo, coadaptación, callbacks, una búsqueda de cuadrícula para la sintonización automática de hiperparámetros y técnicas adicionales de verificación de regularización. El objetivo es identificar técnicas para apoyar el desarrollo de modelos generalizables con coadaptación limitada para aprender la función y no los datos. Algunas de estas técnicas también mejoran el tiempo de entrenamiento, por lo que pueden reducir el cálculo necesario para modelos más grandes.
Esquema
| Duración (Min) | Descripción |
|---|---|
| 10 | Inicializadores de peso y sesgo |
| 10 | Coadaptación |
| 10 | Devoluciones de llamadas |
| 20 | GridSearch |
| 10 | Controles adicionales |
Reconocimientos
El programa de maestría en IA centrada en el ser humano fue cofinanciado por el Mecanismo «Conectar Europa» de la Unión Europea en virtud de la subvención «CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068».