TINTOlib: Deep Learning en Tidy Data con Imágenes sintéticas

De qué trata

Curso práctico de unas 2 horas y 11 lecciones, impartido por Manuel Castillo-Cara, sobre cómo convertir datos tabulares en imágenes sintéticas con la librería TINTOlib en Python.

Sobre esas imágenes se desarrollan arquitecturas convolucionales, Vision Transformers y redes neuronales híbridas (CNN+MLP o ViT+MLP) para tareas de clasificación y regresión. Se trabaja con notebooks y librerías de código abierto, y se compara el rendimiento de modelos tradicionales frente a híbridos en distintos datasets. Se organiza en dos bloques de desarrollo de modelos y una clase extra.

• Transformar datos tabulares en imágenes sintéticas
• Uso de TINTOlib en Python
• Redes híbridas CNN+MLP y ViT+MLP
• Clasificación y regresión sobre datos estructurados
• Comparar modelos tradicionales con híbridos

Para quién es este curso

• Científicos de datos e ingenieros de IA que trabajan con datos tabulares y buscan nuevas técnicas para mejorar sus modelos.
• Investigadores que quieren experimentar con arquitecturas híbridas y nuevas formas de representar datos.
• Estudiantes con base en Machine Learning, Deep Learning y Python que buscan una aplicación práctica poco habitual.

Qué sabrás hacer al terminar

• Entender los fundamentos de la transformación de datos tabulares en imágenes sintéticas.
• Utilizar TINTOlib en Python para generar imágenes sintéticas a partir de datos estructurados.
• Implementar redes neuronales híbridas CNN+MLP o ViT+MLP para clasificación y regresión.
• Evaluar el rendimiento de modelos tradicionales frente a modelos híbridos en distintos datasets.

Plan de estudio sugerido

2 semanas · unas 4 h por semana

1. 1.Semana 1: primer bloque sobre redes híbridas con TINTOlib; instala la librería y reproduce los notebooks con tus propios datos tabulares.
2. 2.Semana 2: segundo bloque de modelos con imágenes sintéticas y clase extra; compara un modelo tradicional con uno híbrido en un dataset.

El plan cuenta con tiempo para pausar y practicar, no solo con la duración del vídeo. Si quieres adaptarlo a tu semana, lee cómo montar tu plan de estudio semanal.

Consejos para seguirlo

• Repasa antes regresión, clasificación y redes neuronales básicas para no frenarte en los notebooks.
• Ejecuta cada notebook tú mismo y cambia el dataset para ver cómo varía el rendimiento entre modelos tradicionales e híbridos.
• Anota las métricas de cada modelo para poder comparar al final CNN, ViT y las variantes híbridas.

Antes y después de este curso

• Antes de este cursoInteligencia Artificial con Machine Learning (Python)Refuerza la base de Machine Learning con Python que el curso da por supuesta.

Cómo lo presenta Manuel Castillo-Cara

Implementa arquitecturas híbridas CNN/ViT+MLP sobre datos tabulares transformados en imágenes sintéticas con TINTOlib

TINTOlib: Deep Learning en Tidy Data con Imágenes Sintéticas Implementa arquitecturas híbridas CNN/ViT+MLP sobre datos tabulares transformados en imágenes con TINTOlib. Instructor: PhD. Manuel Castillo-Cara Requisitos previos Este curso está orientado a estudiantes con…

Extracto de la descripción original en Udemy.

Preguntas frecuentes

Más cursos de Datos e IA