François Chung, Ph.D.

Tag: clasificación de imágenes

AWS: fundamentos y aprendizaje automático

AWS: fundamentos y aprendizaje automático

|

Formación AWS, MOOC (2020). Estos cursos en línea proporcionan una comprensión global de la nube de AWS, con una visión general de los conceptos, servicios, seguridad, arquitectura, precios y soporte de la nube. Los cursos específicos para socios de AWS enseñan las mejores prácticas para abordar las prioridades comerciales de los clientes. También se cubre el aprendizaje automático (ML), con el plan de estudios utilizado por Amazon para capacitar a sus desarrolladores y científicos de datos.

Conceptos básicos de AWS

Temas principales:

  • Servicios básicos de AWS;
  • Servicios integrados de AWS;
  • Arquitectura de AWS;
  • Seguridad de AWS;
  • Precios y soporte.

Soluciones de socios de AWS: Bases comerciales

Temas principales:

  • Desarrollar su negocio con AWS;
  • Lo que les importa a los clientes de AWS;
  • Seguridad, identidad y cumplimiento;
  • Precios y licencias;
  • Migración y adopción de la nube;
  • Gestión de oportunidades.

Soluciones de socios de AWS: Fundamentos técnicos

Temas principales:

  • Arquitectos de soluciones de AWS;
  • Conceptos arquitectónicos de AWS;
  • Bloques de construcción;
  • Well-Architected Framework de AWS;
  • Arquitectura de una solución AWS;
  • Involucrar a los clientes y diseñar soluciones.

AWS Machine Learning: Tomador de decisiones

Temas principales:

  • Desmitificando AI/ML/DL;
  • Aprendizaje automático para desafíos empresariales;
  • Terminología de aprendizaje automático;
  • Explorando el conjunto de herramientas ML.

AWS Machine Learning: Científico de datos

Temas principales:

  • Matemáticas para el aprendizaje automático;
  • Regresión lineal y logística;
  • Elementos de la ciencia de datos;
  • Decisiones de aprendizaje automático.

Referencias

Formación

AWS Business Professional (Soluciones de socios de AWS: Bases comerciales, certificado del curso)
AWS Technical Professional (Soluciones de socios de AWS: Fundamentos técnicos, certificado del curso)

Artículos relacionados

Aprendizaje profundo y TensorFlow (formación Cognitive Class)
Google Cloud: big data y aprendizaje automático (formación Coursera)
Azure: fundamentos, aprendizaje automático y Power BI (formación Microsoft Docs)
Especialización en ciencia de datos (formación Coursera)
Redes neuronales y aprendizaje profundo (formación Coursera)

Más información

AWS Cloud Practitioner Essentials (Conceptos básicos de AWS)
AWS Partner Solutions (Soluciones de socios de AWS)
AWS Machine Learning: Decision maker (AWS Machine Learning: Tomador de decisiones)
AWS Machine Learning: Data scientist (AWS Machine Learning: Científico de datos)

EUE 2017 - Libro

EUE 2017 – Libro

|

Publicación

François Chung, Tomás Rodríguez; Multi-focal Image Segmentation, Classification and Authentication: A General Framework applied on Microscope Pollen Images; Éditions universitaires européennes (EUE), Saarbrücken, 2017; ISBN: 978-3841677907.

Abstract

In this book, we propose a general framework for multi-focal image segmentation, classification and authentication, the methodology being demonstrated on microscope pollen images. The framework is meant to be generic and based on a brute force-like approach aimed to be efficient not only on any kind, and any number, of pollen images (regardless of the pollen type), but also on any kind of multi-focal images. All stages of the framework are designed to be used in an automatic fashion. First, the optimal focus is selected using the absolute gradient method. Then, pollen grains are extracted from microscope images, followed by the automatic segmentation of their exine. A coarse-to-fine approach ensures a smooth and accurate segmentation of both structures. Finally, feature extraction and selection are performed on pollen grains using a generalized approach and the pollen classification is tested with four classifiers: Weighted Neighbor Distance, Neural Network, Decision Tree and Random Forest. The latter method, which has shown the best and more robust classification accuracy results (above 97% for any number of pollen types), is finally used for a final authentication stage.

Referencias

Publicación

Amazon (libro)
MoreBooks (libro)
Referencia bibliográfica (BibTeX)

Artículo relacionado

APIFRESH (proyecto Inspiralia)

Más información

EUE – Éditions universitaires européennes

APIFRESH

APIFRESH

|

Proyecto Inspiralia @Madrid, España (2013). La competitividad del sector apícola europeo se va cayendo debido a la reducción de la producción como consecuencia de la disminución de la población de abejas. Además, los productos de países con estándares de calidad inferiores están ganando partes de mercado en Europa a través de una competencia desleal. A todo eso se suma una falta actual de normas a nivel europeo para ciertos productos de la colmena.

Esto significa que es posible encontrar en el mercado productos con estas etiquetas sin ningún control de calidad y autenticidad. Pocos países en Europa disponen de unas pautas o normas regionales para los productos distintos de la miel, lo que se traduce en una falta de estandarización a nivel europeo.

Por lo tanto, los objetivos del proyecto APIFRESH son tres:

  • desarrollar normas europeas para el polen de abeja y la jalea real;
  • establecer criterios de salud relevantes para el polen y la jalea real;
  • determinar la autenticidad del polen y de la miel.

Los socios de este proyecto son:

  • Balparmak (TR);
  • Campomiel (ES);
  • Centro Agrario de Marchamalo (ES);
  • CTC - Centro Tecnológico Nacional de la Conserva y Alimentación (ES);
  • EPBA - European Professional Beekeepers Association (EU);
  • FNAP - Federação Nacional dos Apicultores de Portugal (PT);
  • Inspiralia (ES);
  • OMME - Országos Magyar Méhészeti Egyesület (HU);
  • Parco Tecnologico Padano (IT);
  • TÜBITAK-MAM - Türkiye Bilimsel ve Teknolojik Araştırma Kurumu-Marmara Araştırma Merkezi (TR).

En este proyecto, mi trabajo consiste en el desarrollo de un software para la clasificación y la autenticación del polen de abeja. Primero, las cargas de polen de abeja capturadas a partir de una cámara están separadas por tipo de polen utilizando una clasificación basada en el color. Segundo, un microscopio se utiliza para capturar una imagen precisa de los granos de polen a partir de la cual se extraen características discriminativas para identificar el origen del polen, es decir, considerando el grano de polen como perteneciente a un tipo conocido (clasificación) o a un tipo desconocido (autenticación).

Referencias

Artículos relacionados

EUE 2017 (libro)
COMPAG 2015 (artículo de revista científica)
Micron 2015 (artículo de revista científica)
Inspiralia 2013 (informe técnico)
Inspiralia 2012 (informe técnico)

Más información

APIFRESH
Inspiralia

Inspiralia 2013 - Informe técnico

Inspiralia 2013 – Informe técnico

|

Publicación

François Chung, Tomás Rodríguez; A general framework for multi-focal image classification and authentication: Application to microscope pollen images; Inspiralia, Madrid, 2013.

Abstract

In this article, we propose a general framework for multi-focal image classification and authentication, the methodology being demonstrated on microscope pollen images. The framework is meant to be generic and based on a brute force-like approach aimed to be efficient not only on any kind, and any number, of pollen images (regardless of the pollen type), but also on any kind of multi-focal images. All stages of the framework's pipeline are designed to be used in an automatic fashion. First, the optimal focus is selected using the absolute gradient method. Then, pollen grains are extracted using a coarse-to-fine approach involving both clustering and morphological techniques (coarse stage), and a snake-based segmentation (fine stage). Finally, features are extracted and selected using a generalized approach, and their classification is tested with four classifiers: Weighted Neighbor Distance, Neural Network, Decision Tree and Random Forest. The latter method, which has shown the best and more robust classification accuracy results (above 97% for any number of pollen types), is finally used for the authentication stage.

Palabras clave

  • generalized feature extraction
  • image classification
  • microscope images
  • optimal focus selection
  • pollen authentication
  • Random Forest
  • snake-based segmentation
  • supervised clustering

Referencias

Publicación

Versión publicada (arXiv)
Versión publicada (PDF)
Referencia bibliográfica (BibTeX)

Artículos relacionados

APIFRESH (proyecto Inspiralia)
EUE 2017 (libro)
Inspiralia 2012 (informe técnico)

Learn more

Inspiralia

Idiomas

Artículos recientes

Categorías

Noticias

Lo reciente & Lo popular

Búsqueda