Asegúrese de tener un conjunto de datos de alta calidad para comenzar. Comience a construir un clasificador, probablemente presente una buena arquitectura (decente) de redes neuronales al principio. Pon a prueba tus hiperparámetros. Juegue con sus hiperparámetros en el conjunto de validación para verificar cuál funciona mejor Use una función de pérdida robusta. Pruebe su progreso en los datos de entrenamiento (gran conjunto de datos) para ver cómo funciona su modelo en días reales. Si todo va bien, indica que estás en el camino correcto. Echa un vistazo a este canal para obtener información más detallada:
Por favor suscríbase a
https://www.youtube.com/channel/…
- ¿Qué son los componentes del procesamiento del lenguaje natural?
- Andrew Ng: ¿Por qué ya no es necesario entrenar capas a través de codificadores automáticos para Deep Learning?
- ¿Qué es el análisis de componentes principales y cuántas variables se pueden usar para PCA?
- Durante el aprendizaje automático para la detección de objetos, ¿cómo puedo simular el efecto de la iluminación de diferentes días en mi conjunto de datos de entrenamiento?
- ¿Puede explicar la optimización convexa sin matrices de arpillera y solo la segunda derivada?
Espero que responda todas sus consultas. Lo encontré extremadamente útil para principiantes y estudiantes.
Cubre aprendizaje automático, aprendizaje profundo, PNL, visión por computadora. Todos los marcos de aprendizaje profundo están cubiertos Tensorflow, keras, pytorch. Las redes neuronales como RNN, CNN, GAN se han detallado en el debate. Las competiciones de Kaggle también están incluidas.
Buena suerte
