Caso Práctico: Machine Learning aplicado a la Detección de Tumor Cerebral
Aprende a clasificar imágenes de resonancias magnéticas con Machine Learning aplicado en Python
¿Sabías que la segmentación de tumores cerebrales es una tarea importante en el procesamiento de imágenes médicas y que el diagnóstico precoz de tumores juega un papel importante en la mejora de las posibilidades de tratamiento?
Además, la segmentación manual de los tumores cerebrales para el diagnóstico del cáncer, a partir de una gran cantidad de imágenes de resonancia magnética generadas en la rutina clínica, es una tarea difícil y que requiere mucho tiempo.
Con los modelos de machine learning es posible realizar una segmentación automática de imágenes de tumores cerebrales.
Adquiere este caso y aprende técnicas que te permitan clasificar de forma precisa si un paciente tiene tumor o no según las imágenes de resonancias magnéticas.
Aprenderás técnicas de:
- Técnicas de procesamiento de imágenes y normalización de datos.
- Análisis de componentes principales.
- Análisis de componentes principales.
Tu Instructor
Hola, mi nombre es Esteban Madrigal Solis, me desempeño profesionalmente como Desarrollador de Inteligencia de Negocios y Científico de Datos. Trabajo en la industria del retail, en una de las empresas más grande del mundo.
En el ámbito académico me desempeño como instructor y consultor en múltiples empresas en herramientas para el análisis de datos tales como Power BI, SQL, Tableau, Alteryx, R y Python, dichas actividades me permiten ampliar mis conocimientos y mis redes de contactos, logrando transmitir mi experiencia y buenas prácticas a todos mis estudiantes.
Te espero en el curso, ¡no te arrepentirás!.
Plan de Estudios
-
Inicio1. Presentación del caso práctico (5:15)
-
InicioMateriales a utilizar
-
Inicio2. Importación de librerías, carga de datos y visualización con imágenes (7:00)
-
Inicio3. Clasificación y preparación de los datos (9:07)
-
Inicio4. Normalización de los datos (2:57)
-
Inicio5. PCA (4:35)
-
Inicio6. Introducción al modelo de Machine Learning (8:52)
-
Inicio7. Validación de modelo y Gradio (8:59)
-
Inicio8. Cierre del caso práctico (1:33)