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, generados por humanos.
- Resumen de casos de uso: vigilancia, monitorización, automatización.
- Clasificación de audio frente a detección y segmentación.
Datos de audio y extracción de características
- Tipos de archivos y formatos de audio.
- Tasa de muestreo, acotamiento (windowing) y consideraciones sobre el tamaño del frame.
- Extracción de MFCC, características cromáticas y mel-spectrogramas.
Preparación y etiquetado de datos
- UrbanSound8K, ESC-50 y conjuntos de datos personalizados.
- Etiquetado de eventos sonoros y límites temporales.
- Balanceo de conjuntos de datos y aumento de datos de audio (audio augmentation).
Construcción de modelos de clasificación de audio
- Uso de redes neuronales convolucionales (CNN) para audio.
- Entrada del modelo: forma de onda cruda frente a características extraídas.
- Funciones de pérdida, métricas de evaluación y sobreajuste.
Detección de eventos y localización temporal
- Estrategias de detección basadas en frames y segmentos.
- Postprocesamiento de detecciones mediante umbrales y suavizado.
- Visualización de predicciones en líneas de tiempo de audio.
Tópicos avanzados y procesamiento en tiempo real
- Aprendizaje por transferencia para escenarios con pocos datos.
- Implementación de modelos con TensorFlow Lite u ONNX.
- Procesamiento de audio en streaming y consideraciones sobre latencia.
Desarrollo de proyectos y casos 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 de logs, alertas e integración con dashboards 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.
- Familiaridad con los fundamentos del audio digital.
Audiencia objetivo
- Científicos de datos.
- Ingenieros de aprendizaje automático.
- Investigadores y desarrolladores en procesamiento de señales de audio.
21 Horas
