La arquitectura MLP: Activaciones e inicialización en R

Resumen

This course builds upon single layers to construct a complete Multi-Layer Perceptron (MLP). You'll learn to stack layers, explore different activation functions like ReLU and Softmax, and understand the importance of weight initialization for effective training.

Programa

• Unidad 1: La Arquitectura del MLP: Activaciones e Inicialización
Implementación de la Propagación Adelante en un Perceptrón Multicapa
Corrección de Dimensiones de Capa en un Perceptrón Multicapa
Construcción de una Función Perceptrón Multicapa en R
Expansión de un MLP con una Capa Adicional
Construcción de un Perceptrón Multicapa desde Cero en R
• Unidad 2: Activación ReLU y Diseño de Capas Flexibles en MLPs en R
Corrección de la Función de Activación ReLU para Entradas Matriciales
Implementación de la Activación ReLU en Tu Red Neuronal
Implementación de la Función de Activación ReLU en R
• Unidad 3: Funciones de Activación de Capa de Salida: Softmax y Lineal en MLPs en R
Implementación de Softmax Numéricamente Estable en R
Verificación de Salidas Softmax como Distribuciones de Probabilidad Válidas
Implementación de la Función de Activación Lineal para Tareas de Regresión
Depuración de Funciones de Activación de Salida en Redes Neuronales
Construcción de Redes Neuronales con Activaciones de Salida para Clasificación y Regresión
• Unidad 4: Estrategias de Inicialización de Pesos para Redes Neuronales en R
Implementación de Inicialización de Pesos Aleatorios Escalados para Redes Neuronales
Corrección de Inicialización de Pesos He Uniforme para Redes Neuronales
Implementación de Inicialización de Pesos Xavier Normal para Redes Neuronales
Implementación de Inicialización de Pesos He Uniforme en Redes Neuronales

---

Materias

Artificial Intelligence