Improving Deep Neural Networks: Hyperparameter Tuning, Regularization and Optimization

Lo que cubre

Segundo curso de la especialización en Deep Learning de DeepLearning.AI. Se enfoca en llevar una red que ya funciona a producción: cómo se ajusta, cómo se evita el sobreajuste y cómo se entrena de forma estable y eficiente.

Lo que aprendí

• Diagnóstico de sesgo/varianza: distinguir underfitting de overfitting y decidir si conviene más datos, más capacidad o más regularización.
• Regularización: L2 y dropout para controlar el sobreajuste.
• Optimización: mini-batch gradient descent, momentum, RMSprop y Adam, entendiendo cuándo conviene cada uno.
• Inicialización: por qué la inicialización de parámetros afecta la convergencia y cómo elegirla.
• Afinamiento de hiperparámetros: sistemática para explorar learning rate, tamaño de batch y arquitectura.

Por qué importa

Una red mal afinada no generaliza. Este curso cierra la brecha entre “sé construir una red” y “sé hacer que una red funcione bien en datos reales”.

Institución

DeepLearning.AI — especialización fundada por Andrew Ng.