En este módulo, aprenderá a ajustar el tamaño del lote y la tasa de aprendizaje para mejorar el rendimiento del modelo, optimizar su modelo y aplicar los conceptos en el código de TensorFlow.

En este módulo, aprenderá a diferenciar entre parámetros e hiperparámetros. Luego, veremos el enfoque tradicional de búsqueda por cuadrícula y aprenderemos a ir más allá mediante algoritmos más inteligentes. Por último, verá cómo Cloud ML Engine facilita la automatización del ajuste de hiperparámetros.

En este módulo, comenzaremos a presentar la ciencia junto con el arte del aprendizaje automático. Primero, hablaremos sobre cómo realizar una regularización para lograr dispersión y, de este modo, conseguir modelos más simples y concisos. Luego, abordaremos la regresión logística y aprenderemos a determinar el rendimiento.

En este módulo, profundizaremos en la ciencia, específicamente en las redes neuronales.

En este módulo, aprenderá a usar incorporaciones para administrar los datos dispersos, a fin de que los modelos de aprendizaje automático que usan ese tipo de datos consuman menos memoria y se entrenen más rápido. Las incorporaciones también son una forma de reducir la dimensionalidad. Esto hace que los modelos sean más simples y generalizables.

Resumen de los puntos clave de aprendizaje del curso.