Presentacion del Proyecto Laennec, dedicado al inventor del estetoscopio: por que la deteccion de soplos y arritmias por sonido cardiaco sigue siendo relevante hoy, y de donde vienen los datos reales de audio (PASCAL Classifying Heart Sounds Challenge).
Sesion final del Proyecto Taussig: el alumnado predice a ojo y con un Random Forest la clase de latidos de ECG concretos, incluyendo una arritmia ventricular real, y se repasa todo el recorrido del proyecto desde Helen Taussig hasta los casos reales de muerte subita cardiaca en el deporte.
En la Sesion 5 del Proyecto Taussig, el alumnado usa validacion cruzada con scikit-learn para comprobar la estabilidad de sus modelos de arritmia cardiaca, y descubre una limitacion real y documentada del dataset de ECG: no se sabe que latidos pertenecen al mismo paciente.
En la Sesion 4 del Proyecto Taussig, el alumnado entrena un Random Forest sobre los latidos de ECG, comprueba si mejora la deteccion de la arritmia ventricular respecto al arbol unico, y descubre con feature importances en que instante exacto del latido se fija el modelo para decidir.
En la Sesion 3 del Proyecto Taussig, el alumnado calcula una matriz de confusion de 5×5 sobre los latidos de ECG, descubre la diferencia entre macro avg y weighted avg en classification_report, y comprueba si el arbol reconoce bien la arritmia ventricular pese al fuerte desequilibrio de clases.
Primer modelo del Proyecto Taussig: entrenamos un DecisionTreeClassifier sobre latidos de ECG reales de la MIT-BIH Arrhythmia Database, sin necesidad de train_test_split porque los datos ya vienen repartidos, y nos enfrentamos por primera vez en la familia de proyectos a una clasificacion de mas de dos clases.
Presentacion del Proyecto Taussig, dedicado a la cardiologa Helen Taussig: por que un detector de arritmias cardiacas conecta con casos reales de muerte subita en el deporte (Antonio Puerta, Hank Gathers, Christian Eriksen) y de donde vienen los datos reales de electrocardiograma (MIT-BIH Arrhythmia Database).
En la Sesion 5, ultima del Proyecto Fei-Fei, el alumnado carga el modelo guardado en la Sesion 4 y lo ve predecir imagen a imagen, incluyendo a proposito dos casos reales de Camisa mal clasificados para comprobar visualmente por que esa categoria es la mas dificil.
En la Sesion 4 del Proyecto Fei-Fei, el alumnado aprende a guardar su CNN entrenada con model.save() y cargarla despues con keras.models.load_model(), comprobando que las predicciones son identicas antes y despues, para no tener que reentrenar en cada sesion.
En la Sesion 3 del Proyecto Fei-Fei, el alumnado calcula la matriz de confusion de su CNN sobre las 10 categorias de Fashion-MNIST y descubre que Camisa es la prenda mas dificil de reconocer, confundida con Camiseta, Jersey y Abrigo pese a que las clases estan perfectamente equilibradas.