En la Sesion 2 del Proyecto Fei-Fei, el alumnado construye y entrena su primera CNN multiclase (10 categorias de ropa) sobre Fashion-MNIST, e introduce softmax, sparse_categorical_crossentropy y Dropout
Arranca el Proyecto Fei-Fei, en honor a Fei-Fei Li, creadora de ImageNet: el alumnado conoce el dataset Fashion-MNIST (70.000 fotos de ropa de Zalando) y hace un primer vistazo a las imagenes con Keras, sin descargas ni carpetas que organizar.
En la Sesion 5 del Proyecto Asadi, el alumnado prueba su CNN entrenada sobre 10 imagenes reales que el modelo nunca vio durante el entrenamiento ni la validacion, comparando la prediccion imagen a imagen con el diagnostico real.
En la Sesion 4 del Proyecto Asadi, el alumnado usa el parametro class_weight de Keras para corregir el efecto del desequilibrio entre benignos y malignos detectado en la Sesion 3, y compara la matriz de confusion antes y despues.
En la Sesion 3 del Proyecto Asadi, el alumnado calcula la matriz de confusion de su CNN sobre benigno/maligno y descubre por que el fuerte desequilibrio entre clases (504 benignas frente a 2752 malignas) puede sesgar los resultados.
En la Sesion 2 del Proyecto Asadi, el alumnado construye y entrena su primera red neuronal convolucional con Keras para distinguir celulas sanas de blastos leucemicos en imagenes reales de microscopio.
Presentacion del Proyecto Asadi, dedicado a la investigadora Farkhondeh Asadi: de donde vienen las imagenes reales de frotis de sangre para diagnostico de leucemia infantil y como preparar TensorFlow y el dataset antes de construir la primera red neuronal convolucional.
En la Sesion 6 del Proyecto Javierre, el alumnado predice a mano el diagnostico de cinco pacientes reales nunca vistos por el modelo, compara su respuesta con la del Random Forest y con el diagnostico real, cerrando el recorrido del proyecto.
En la Sesion 5 del Proyecto Javierre, el alumnado usa validacion cruzada con scikit-learn para comprobar si la exactitud de sus modelos sobre leucemia infantil dependia de la suerte de una unica particion de solo 15 pacientes de examen.
En la Sesion 4 del Proyecto Javierre, el alumnado entrena un Random Forest sobre los cuatro genes seleccionados y comprueba, con feature importances, si el algoritmo aprende a apoyarse en los mismos marcadores mieloides y linfoides elegidos por su significado clinico real.