crear un clasificador de tipos de carnes
Budget: $10 – $100 USD
Para ello vamos a crear un clasificador de tipos de carnes que se utiliza en la industria real. Es un ejemplo
simplificado, el modelo real utiliza imágenes de mayor resolución y el conjunto de entrenamiento es mucho
mayor (requiriendo días para su entrenamiento). Pero para practicar, con esta pequeña muestra nos sirve.
Los datos de test NO pueden utilizarse durante el proceso de entrenamiento, únicamente para evaluar el modelo
final.
Se pide:
1. Crear un repositorio de Github (publico) en el que se va a subir un jupyter notebook y un archivo
README.md (como mínimo)
2. Obtener un clasificador de imágenes de forma que dada una nueva imagen se pueda obtener la clase
correspondiente.
3) Se pide obtener las matrices de confusión del modelo, la matriz de confusión del error en training y la de
test.
Se valorará la justificación de las técnicas de procesamiento de imágenes utilizadas (cambios de color, reducción
de colores, aumento del contraste, detección de bordes, uso de convoluciones....) , asi como el uso de
clasificadores que otros grupos no estén utilizando, para que en el debate podáis compartir los resultados que
se obtienen con otros tipos de modelos (por modelos se entiende: Modelos lineales, SVM, KNN, CNN...)
Sistema de evaluación:
Repositorio de GitHub y Readme.md 1 punto
Preprocesado de imagenes: 3 puntos
Obtención del clasificador: 3 puntos
Evaluación del clasificador (matrices de confusión) 3 puntos
Obtener más de 95% de acierto se considerá un 10 automáticamente.
simplificado, el modelo real utiliza imágenes de mayor resolución y el conjunto de entrenamiento es mucho
mayor (requiriendo días para su entrenamiento). Pero para practicar, con esta pequeña muestra nos sirve.
Los datos de test NO pueden utilizarse durante el proceso de entrenamiento, únicamente para evaluar el modelo
final.
Se pide:
1. Crear un repositorio de Github (publico) en el que se va a subir un jupyter notebook y un archivo
README.md (como mínimo)
2. Obtener un clasificador de imágenes de forma que dada una nueva imagen se pueda obtener la clase
correspondiente.
3) Se pide obtener las matrices de confusión del modelo, la matriz de confusión del error en training y la de
test.
Se valorará la justificación de las técnicas de procesamiento de imágenes utilizadas (cambios de color, reducción
de colores, aumento del contraste, detección de bordes, uso de convoluciones....) , asi como el uso de
clasificadores que otros grupos no estén utilizando, para que en el debate podáis compartir los resultados que
se obtienen con otros tipos de modelos (por modelos se entiende: Modelos lineales, SVM, KNN, CNN...)
Sistema de evaluación:
Repositorio de GitHub y Readme.md 1 punto
Preprocesado de imagenes: 3 puntos
Obtención del clasificador: 3 puntos
Evaluación del clasificador (matrices de confusión) 3 puntos
Obtener más de 95% de acierto se considerá un 10 automáticamente.