Un modelo entrenado con aproximadamente 10.000 imágenes controladas se ajusta bien al conjunto de entrenamiento, pero funciona mal con imágenes de prueba no vistas (el error de entrenamiento disminuye con las épocas, mientras que el error de prueba sigue siendo alto). ¿Qué acciones ayudarán a solucionar este problema? (Elija dos.)

El escenario describe un sobreajuste (overfitting), donde el modelo memoriza los datos de entrenamiento pero no generaliza bien a datos nuevos. Usar aumento de datos en las imágenes de entrenamiento (Data Augmentation) es una técnica efectiva para combatir el sobreajuste. Al crear nuevas variaciones de las imágenes existentes (rotaciones, volteos, recortes, etc.), se incrementa artificialmente el tamaño del conjunto de entrenamiento y se expone al modelo a una mayor diversidad de ejemplos, mejorando su capacidad de generalización. Añadir regularización L2 (de peso) al modelo también ayuda a mitigar el sobreajuste. La regularización L2 penaliza los pesos grandes en el modelo, lo que fomenta modelos más simples y menos propensos a memorizar el ruido en los datos de entrenamiento. Añadir vanishing gradient al modelo no es una acción, sino un problema que ocurre durante el entrenamiento. Aumentar la complejidad de la arquitectura de la red neuronal probablemente empeoraría el sobreajuste. Aplicar gradient checking es una técnica para verificar la implementación correcta del backpropagation, no para solucionar el sobreajuste.