Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Fundamentos de la clasificación de audio
- Tipos de eventos sonoros: ambientales, mecánicos y generados por el ser humano.
- Resumen de casos de uso: vigilancia, monitorización y automatización.
- Diferencias entre clasificación, detección y segmentación de audio.
Datos de audio y extracción de características
- Tipos de archivos de audio y formatos.
- Consideraciones sobre la tasa de muestreo, el enmarcado (windowing) y el tamaño de cada cuadro (frame).
- Extracción de MFCC, características cromáticas y espectrogramas mel.
Preparación y anotación de datos
- Bases de datos UrbanSound8K, ESC-50 y conjuntos de datos personalizados.
- Anotación de eventos sonoros y límites temporales.
- Equilibrado de conjuntos de datos y aumento de datos de audio (data augmentation).
Construcción de modelos de clasificación de audio
- Uso de redes neuronales convolucionales (CNN) para audio.
- Entrada del modelo: forma de onda sin procesar frente a características extraídas.
- Funciones de pérdida, métricas de evaluación y sobreajuste (overfitting).
Detección de eventos y localización temporal
- Estrategias de detección basadas en cuadros y segmentos.
- Postprocesamiento de detecciones mediante umbrales y suavizado.
- Visualización de las predicciones en las líneas de tiempo del audio.
Temas avanzados y procesamiento en tiempo real
- Aprendizaje por transferencia para escenarios con pocos datos.
- Despliegue de modelos con TensorFlow Lite o ONNX.
- Procesamiento de audio en streaming y consideraciones sobre la latencia.
Desarrollo del proyecto y escenarios de aplicación
- Diseño de un pipeline completo: desde la ingesta hasta la clasificación.
- Desarrollo de un prototipo para vigilancia, control de calidad o monitorización.
- Registro (logging), alertas e integración con paneles de control o APIs.
Resumen y próximos pasos
Requerimientos
- Comprensión de los conceptos de aprendizaje automático y entrenamiento de modelos.
- Experiencia con programación en Python y preprocesamiento de datos.
- Conocimiento de los fundamentos del audio digital.
Público objetivo
- Científicos de datos.
- Ingenieros de aprendizaje automático.
- Investigadores y desarrolladores en procesamiento de señales de audio.
21 Horas
