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.
- Visión general de casos de uso: vigilancia, monitoreo, automatización.
- Diferencias entre clasificación de audio, detección y segmentación.
Datos de audio y extracción de características
- Tipos de archivos de audio y formatos.
- Consideraciones sobre la tasa de muestreo, ventanas y tamaño de cuadro.
- Extracción de MFCC, características cromáticas y mel-spectrogramas.
Preparación de datos y anotación
- Bases de datos UrbanSound8K, ESC-50 y conjuntos de datos personalizados.
- Anotación de eventos sonoros y límites temporales.
- Equilibrio de conjuntos de datos y aumento de datos de audio.
Desarrollo de modelos de clasificación de audio
- Uso de redes neuronales convolucionales (CNN) para audio.
- Entrada del modelo: forma de onda en bruto versus características.
- Funciones de pérdida, métricas de evaluación y sobreajuste.
Detección de eventos y localización temporal
- Estrategias de detección basadas en cuadros y segmentos.
- Postprocesamiento de detecciones utilizando umbrales y suavizado.
- Visualización de predicciones en líneas de tiempo de 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 latencia.
Desarrollo del proyecto y escenarios de aplicación
- Diseño de un flujo completo: desde la ingesta hasta la clasificación.
- Desarrollo de un prototipo para vigilancia, control de calidad o monitoreo.
- Registro de eventos, 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
