Sesión 4 del taller CUTLER, el alumnado entrena su primer Random Forest (bosque aleatorio) con scikit-learn. Descubrimos la historia de Adele Cutler, la sabiduría del voto por mayoría y qué mediciones celulares son más críticas en la detección del cáncer.
Seguimos en nuestro cuaderno. En la Sesión 2 entrenamos nuestro primer árbol de decisión y calculamos su exactitud en el conjunto de prueba. Nos dio un porcentaje bastante alto pero, ¿es suficiente un solo número para confiar en un diagnóstico …
En la Sesión 2 del taller CUTLER, el alumnado entrena su primer clasificador real — un árbol de decisión con scikit-learn — sobre datos médicos reales, sin escalar variables y midiendo su exactitud.
En este tutorial introductorio de Ciencia de Datos para MontesSTEAM e IES Monterroso, damos los primeros pasos en Machine Learning aplicado a la salud mediante el dataset real Breast Cancer Wisconsin. Aprende a instalar scikit-learn en JupyterLab, cargar datos médicos en memoria, reservar un conjunto de prueba para evaluar el modelo y comprender la importancia de la estratificación (stratify=y) para garantizar un reparto equilibrado entre tumores benignos y malignos.
Un taller para que el alumnado vea, sin simulación de por medio, los pasos reales de un modelo de difusión — una imagen real de Wikimedia Commons que muestra el recorrido de ruido a imagen nítida, y Diffusion Explainer, una herramienta interactiva y gratuita para explorar ese mismo proceso paso a paso.
CROWSON añade un quinto nivel, distinto de simular y de buscar — Llama traduce la frase completa al inglés y esa traducción genera una imagen real con Pollinations.ai, un modelo de difusión de verdad, con los mismos avisos de honestidad y moderación de toda la familia.
CROWSON añade un cuarto paso distinto de la simulación — Llama traduce la frase a palabras clave en inglés y busca de verdad en Openverse, con atribución completa y sin esconder sus límites (moderación, cuota de peticiones).
CROWSON amplía a cinco las decisiones de color de Llama (franja y estrella incluidas) — y esta entrada explica, paso a paso, cómo genera de verdad una imagen un modelo como Stable Diffusion (CLIP, espacio latente, difusión) frente a lo que hacemos aquí.
CROWSON muestra ahora, sin editar, la respuesta exacta que da Llama antes de convertirse en dibujo — el mismo principio de transparencia que ya aplicamos en MASTERMAN, aplicado aquí a la salida del modelo.
CROWSON simula el patrón “texto a imagen” con Llama eligiendo colores de una lista cerrada y código sin IA dibujándolos — sin fingir ser un generador real como Stable Diffusion.