Adapta un clasificador few-shot para una startup biotech de Barcelona
Visión general
De qué trata este proyecto.
Entrena un clasificador few-shot para una startup biotech y supera al fine-tuning en 8 puntos. Obtén un certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Demostrar que prototypical networks superan a fine-tuning ingenuo cuando solo hay 5 ejemplos por clase en una tarea nueva.
Earning criteria — what you'll demonstrate
- Implementar prototypical networks con muestreo episódico
- Comparar meta-learning contra fine-tuning con presupuesto idéntico
- Reportar accuracy con intervalos de confianza apropiados al meta-test
- Diagnosticar tareas donde la suposición meta-learning falla
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Meta-Learning, Transfer Learning, and Multi-Task Learning
Master · Ai Ml
Fit score: 1
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosInvestigador/a de Machine Learning
Implementar y evaluar meta-learning con rigor estadístico es trabajo típico de research aplicada en biotech.
Este proyecto afina
- meta-learning
- few-shot-learning
- prototypical-networks
Científico/a de IA Aplicada
Resolver problemas con datos escasos usando meta-learning es ventaja directa en biotech y ciencias.
Este proyecto afina
- few-shot-learning
- transfer-learning
- meta-learning
Ingeniero/a de Visión por Computador
Few-shot sobre imágenes biológicas es una habilidad creciente en CV biomédica.
Este proyecto afina
- few-shot-learning
- transfer-learning
- prototypical-networks