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.
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.
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.