Aprende a instalar y poner en marcha el Proyecto ATKINS, un experimento interactivo con Python y FastAPI que demuestra por qué los detectores de imágenes por IA fallan ante modelos de última generación debido al fenómeno de desplazamiento de dominio (domain shift).
Sesion final del Proyecto Rachael Tatman: se entrena un Random Forest sobre las propiedades acusticas del dataset Gender Recognition by Voice, se leen la matriz de confusion y el classification_report, y se conecta el excelente resultado obtenido con la historia real de sesgo de genero en el reconocimiento de voz de Google que investigo Rachael Tatman en 2016.
Sesion final del Proyecto Katy Payne: se entrena un Random Forest sobre los MFCC de gatos y perros, se lee la matriz de confusion 2×2 y el classification_report, y se comparan los resultados con los del Proyecto Laennec para mostrar como el desequilibrio y el numero de clases afectan al rendimiento de un modelo.
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 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.
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 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 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 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.
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.