Pre-entrenar un encoder auto-supervisado para imágenes médicas
Visión general
De qué trata este proyecto.
Pre-entrena un encoder con DINOv2, MAE o SimCLR sobre 500k imágenes médicas y mejora el AUROC. Obtén un certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Demostrar con un experimento controlado que un encoder auto-supervisado mejora la clasificación multietiqueta en regímenes de bajo etiquetado en imágenes de tórax.
Earning criteria — what you'll demonstrate
- Implementar y entrenar objetivos auto-supervisados modernos sobre datos reales
- Diseñar comparativas justas entre encoders pre-entrenados y baselines supervisados
- Cuantificar la incertidumbre con intervalos de confianza y tests estadísticos apropiados
- Documentar un modelo siguiendo buenas prácticas para uso clínico
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Advanced Deep 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 canónicosML Researcher
Diseñar un experimento auto-supervisado con régimen de bajo etiquetado, ablaciones y reporte estadístico es exactamente el flujo de trabajo previo a un paper de aprendizaje de representaciones.
Este proyecto afina
- self-supervised-learning
- representation-learning
- experimental-design
Research Scientist
Conectar literatura reciente con un dataset propietario y producir un encoder reusable es la cadena de valor típica de quien ejerce de Research Scientist en grupos aplicados.
Este proyecto afina
- self-supervised-learning
- vision-transformers
- model-evaluation
Applied AI Scientist
Mostrar mejora real con presupuesto de cómputo acotado y comunicarlo al equipo clínico encaja con el rol Applied AI Scientist en healthtech.
Este proyecto afina
- pytorch
- model-evaluation
- experimental-design