Aplica transfer learning para clasificar especies marinas en Chiloé
Visión general
De qué trata este proyecto.
Recibes 1.200 imágenes (100 por especie) divididas en train/val/test 60/20/20. Compara: (a) ResNet-50 congelado + cabeza nueva, (b) descongelar últimas 2 capas + cabeza, (c) fine-tuning total con learning rate diferenciado por capa. Mide macro-F1 en test, tiempo de entrenamiento y propensión a overfitting (gap train/val). Éxito: identificar la estrategia ganadora con justificación y obtener ≥85 % macro-F1.
El Briefing
Lo que harás y lo que demostrarás.
Identificar la estrategia óptima de transfer learning para clasificar 12 especies marinas con 1.200 imágenes y ≥85 % macro-F1.
Earning criteria — what you'll demonstrate
- Distinguir feature extraction, fine-tuning parcial y total
- Aplicar learning rate diferenciado por capa
- Evaluar trade-off precisión vs sobreajuste con dataset pequeño
- Justificar elección de estrategia con métricas cuantitativas
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
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 canónicosIngeniero/a de Machine Learning
Transfer learning con comparación de estrategias es el músculo básico que ejercita cualquier MLE en proyectos con datos limitados.
Este proyecto afina
- transfer-learning
- fine-tuning
- model-evaluation
Ingeniero/a de Visión por Computador
Clasificación con backbones preentrenados es el flujo cotidiano de CV en industria sin GPU farms.
Este proyecto afina
- transfer-learning
- image-classification
- fine-tuning
Científico/a de IA Aplicada
Elegir estrategia con criterios de negocio + técnico es la mentalidad de aplicación que define el rol.
Este proyecto afina
- transfer-learning
- model-evaluation
- fine-tuning