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.
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).