Aprendizaje profundo
Delegar la ingeniería de características a capas apiladas
OVERVIEW
- Todos los conceptos
- 6
- Principiante
- 2
- Intermedio
- 3
- Experto
- 1
The turning point of deep learning was not “more layers” but the discovery that with enough width, data and stable optimisation, the intermediate abstractions grow on their own. This domain starts from a single neuron and works up to backpropagation, convolution, attention and the normalisation tricks that make depth actually trainable.
Preguntas que responde este dominio
- Q1
What is a single neuron actually computing?
- Q2
How does backpropagation carry error backwards?
- Q3
Why are deeper networks harder to train?
Entradas de este dominio
- 01Neurona y perceptrónPrincipianteLa pieza más pequeña de una red neuronal: una suma ponderada, un sesgo y un giro de no linealidad
- 02RetropropagaciónIntermedioConvertir “calcular el gradiente” de una ardua tarea matemática en una sola llamada: el instante en que despegó el aprendizaje profundo
- 03Funciones de activaciónPrincipianteSin ella, hasta la red más profunda es solo una única transformación lineal
- 04Redes neuronales convolucionalesIntermedioSustituir las conexiones completas por “mirar en local y reutilizar la misma regla en todas partes”: la idea que hizo funcionar el reconocimiento de imágenes
- 05Redes neuronales recurrentesIntermedioDar memoria a la red: una misma unidad reutilizada en el tiempo para tratar secuencias de cualquier longitud
- 06Normalización y conexiones residualesExpertoHacer entrenable una red de cien capas: un atajo de identidad y un reescalado por capa