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, monitoreo, automatización.
- Clasificación vs. detección vs. segmentación de audio.
Datos de audio y extracción de características
- Tipos de archivos de audio y formatos.
- Consideraciones sobre frecuencia de muestreo, ventanas y tamaño de fotograma.
- Extracción de MFCCs, características cromáticas y espectrogramas mel.
Preparación de datos y anotación
- Bases de datos UrbanSound8K, ESC-50 y conjuntos de datos personalizados.
- Anotación de eventos sonoros y límites temporales.
- Balanceo de conjuntos de datos y aumento de datos de audio.
Construcción de modelos de clasificación de audio
- Uso de redes neuronales convolucionales (CNN) para audio.
- Entrada del modelo: forma de onda cruda vs. características.
- Funciones de pérdida, métricas de evaluación y sobreajuste.
Detección de eventos y localización temporal
- Estrategias de detección basadas en fotogramas y segmentos.
- Procesamiento posterior de las detecciones utilizando 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.
- Despliegue de modelos con TensorFlow Lite o ONNX.
- Procesamiento de audio en streaming y consideraciones de latencia.
Desarrollo del proyecto y escenarios de aplicación
- Diseño de un pipeline completo: desde la ingestión 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.
- 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
