En el Día Mundial de la Investigación en Cáncer, MONTESTEAM explora tres aplicaciones educativas de la Inteligencia Artificial y la ciencia de datos con datasets reales sobre tumores cerebrales, cáncer de pulmón y cáncer de piel. Una experiencia para aprender a clasificar imágenes, analizar datos y, sobre todo, comprender que la IA es una herramienta de apoyo a la investigación, no un sustituto del trabajo científico.
Taller práctico para el 24 de septiembre: Detección de cáncer de piel con el dataset HAM10000 de Kaggle, Python y Teachable Machine en 1º de Bachillerato.
Análisis de hábitos y síntomas de cáncer de pulmón con Árboles de Decisión en Python directamente en Kaggle Notebooks para 1º de Bachillerato.
Taller práctico de Ciencia Ciudadana e IA para el Día Mundial de la Investigación en Cáncer. Clasificación de tumores cerebrales con Kaggle y visión artificial.
¿Y si una clase pudiera colaborar directamente con una investigación científica real sobre el Alzheimer? En este tutorial descubrimos Stall Catchers, un proyecto de ciencia ciudadana en el que los participantes analizan vídeos microscópicos de vasos sanguíneos del cerebro para detectar posibles stalls, pequeños atascos en el flujo sanguíneo. Una actividad que combina ciencia, análisis de imágenes, datos y participación ciudadana, y que podemos llevar directamente al aula con motivo del Día Mundial del Alzheimer, el 21 de septiembre.
Culminamos el Proyecto Peridotita con la integración de los datos de Inteligencia Artificial en un entorno interactivo 3D en Google Earth. Resumen final del pipeline científico y balance de superficie para Climate Detectives (ESA).
Integramos los umbrales de Inteligencia Artificial aprendidos en Python dentro de Google Earth Engine. Generamos el Mapa de Vulnerabilidad Global de Sierra Bermeja a 10 metros de resolución, cuantificamos las hectáreas en riesgo alto, medio y bajo, y presentamos nuestras propuestas de actuación ambiental para el proyecto Climate Detectives.
Damos el salto de la observación satelital a la Inteligencia Artificial. Exportamos datos multivariable de Google Earth Engine a Google Colab y entrenamos un Árbol de Decisión con Python (scikit-learn) para predecir los niveles de riesgo de desertificación en Sierra Bermeja. Desgranamos paso a paso el significado científico de cada parámetro del modelo dentro del proyecto Climate Detectives.
Introducción Desde la entrada sobre la lluvia (Proyecto Peridotita 3) llevamos rondando la misma sospecha: que el suelo erosionado de la peridotita, más que la falta de agua, es lo que está frenando la recuperación de Sierra Bermeja. Esta entrada …
¿Hasta qué punto coincide nuestra clasificación del incendio de Sierra Bermeja con los datos oficiales? En esta nueva fase del Proyecto Peridotita reproducimos la metodología dNBR del USGS con imágenes Sentinel-2 y comparamos nuestros resultados con la evaluación oficial de Copernicus EMS. Un ejercicio de teledetección, ciencia de datos y validación científica para comprobar si nuestros cálculos se acercan a la realidad.