Ajustar a arquitetura da rede neural para reduzir seu tempo de treinamento.

Minimizar a função de erro, ajustando os parâmetros do modelo através de cálculos de gradientes.

Melhorar a acurácia do modelo em dados de treinamento.

Ajustar os dados de entrada para melhorar a generalização do modelo.

Aumentar a complexidade do modelo para melhorar as previsões.