Sesion final del Proyecto Florence Nightingale: se visualiza la evolucion mensual de muertes por enfermedad, heridas y otras causas durante la guerra de Crimea, se identifica el punto de inflexion tras la llegada de la Comision Sanitaria en 1855, y se reconstruye una version simplificada del famoso diagrama de la rosa de Nightingale con matplotlib en coordenadas polares.
Sesion 1 del Proyecto Florence Nightingale, un mini proyecto de solo dos sesiones centrado en visualizacion de datos en vez de clasificacion: presentacion de la pionera de la estadistica britanica y carga directa (sin descarga) de sus datos reales de mortalidad de la guerra de Crimea, con una primera comparacion simple entre muertes por enfermedad y por heridas de combate.
Sesion final del Proyecto Katy Payne: se entrena un Random Forest sobre los MFCC de gatos y perros, se lee la matriz de confusion 2×2 y el classification_report, y se comparan los resultados con los del Proyecto Laennec para mostrar como el desequilibrio y el numero de clases afectan al rendimiento de un modelo.
Sesion 2 del Proyecto Katy Payne: extraccion de caracteristicas MFCC con librosa, construccion de las tablas de entrenamiento y prueba a partir del reparto ya dado, y un vistazo visual simple con un boxplot para comprobar si las clases se distinguen antes de entrenar ningun modelo.
Sesion 1 del Proyecto Katy Payne, un ejercicio corto de dos clases bien equilibradas pensado como contraste mas sencillo tras el Proyecto Laennec: presentacion del dataset Audio Cats and Dogs de Kaggle, la historia de la zoologa Katy Payne y sus infrasonidos de elefantes, y descarga y carga del reparto ya hecho.
Sesion final del Proyecto Laennec: el alumnado escucha sonidos cardiacos reales y predice a oido antes de preguntarle al Random Forest, incluyendo una extrasistole real, y se repasa todo el recorrido del proyecto desde Rene Laennec y su estetoscopio de papel hasta la extraccion de caracteristicas MFCC.
En la Sesion 5 del Proyecto Laennec, el alumnado usa validacion cruzada con scikit-learn para comprobar la estabilidad del arbol y el Random Forest sobre los sonidos cardiacos, y aprende a leer con cautela los resultados de una clase minoritaria muy pequeña, la extrasistole.
En la Sesion 4 del Proyecto Laennec, el alumnado entrena un Random Forest sobre los 13 coeficientes MFCC de cada sonido cardiaco, comprueba si mejora la deteccion de la extrasistole respecto al arbol unico, y descubre con feature importances que coeficiente MFCC pesa mas para distinguir un murmullo de un latido normal.
En la Sesion 3 del Proyecto Laennec, el alumnado calcula una matriz de confusion 3×3 sobre los sonidos del corazon (normal, murmullo, extrasistole), retoma macro avg frente a weighted avg y comprueba si el arbol de decision reconoce bien la clase minoritaria, la extrasistole.
En la Sesion 2 del Proyecto Laennec, el alumnado convierte cada sonido cardiaco en 13 coeficientes MFCC con librosa, construye la tabla de datos localizando los archivos reales con glob, reparte los datos con train_test_split y stratify, y entrena su primer arbol de decision sobre audio.