Proyectos de software, machine learning y deep learning

Cuatro radiografías de tórax del conjunto de test y, debajo, sus mapas Grad-CAM++ para enfisema, con la atención del modelo concentrada en los campos pulmonares.

01 / Imagen médica

Clasificación multietiqueta de radiografías de tórax con DenseNet-121

Detección de 14 patologías a la vez en 112.000 radiografías de tórax, con pérdida asimétrica, umbrales calibrados por patología y Grad-CAM++ para auditar el modelo.

Cuatro lesiones de piel en escala de grises. Junto a cada una, la misma imagen con el contorno de la máscara real en ámbar y el de la predicción del modelo en azul.

02 / Imagen médica

Segmentación de melanoma con U-Net implementadas desde cero en PyTorch

Dos U-Net programadas desde cero para delimitar lesiones de piel: una entrenada desde cero y otra con un codificador ResNet-50 preentrenado y congelado.

A la izquierda, veinticuatro imágenes de CIFAR-10 (barcos, perros, caballos, coches) ampliadas como píxeles; a la derecha, cuatro dígitos manuscritos de MNIST.

03 / Visión por computador

Estudio de ablación en MNIST y CIFAR-10: 99,47 % y 93,87 % de exactitud

Dos estudios de ablación que miden cuánto aporta cada pieza hasta superar el 99,4 % en MNIST sin convoluciones y el 92 % en CIFAR-10.

Esquema de la aplicación en tres tarjetas. Una forma de onda de audio pasa a Whisper, que produce líneas de transcripción, y de ahí a un LLM de 4 bits que genera un resumen corto. En la última tarjeta se puede elegir entre Qwen 14B y Phi-3 mini.

04 / IA generativa

Transcripción y resumen local de vídeos con Whisper y un LLM cuantizado

Aplicación web que transcribe y resume vídeos, con Whisper y un LLM de 14B cuantizado, todo en local y sin APIs externas.