Dashboard: Clasificación de Flores con Transfer Learning¶
Descripción¶
Pipeline de Computer Vision que clasifica imágenes de flores usando Transfer Learning con MobileNetV2.
¿Qué es Transfer Learning? En lugar de entrenar una red neuronal desde cero (necesitaríamos millones de imágenes), usamos una red ya entrenada en ImageNet y la adaptamos a nuestro problema.
Pipeline¶
1. DESCARGA 2. EMBEDDINGS 3. CLASIFICACIÓN 4. VISUALIZACIÓN
3,670 flores MobileNetV2 ML tradicional Dashboard
5 clases 1280 features KNN/SVM/RF Plotly
Resultados¶
| Modelo | Accuracy |
|---|---|
| SVM | 89.9% |
| Random Forest | 86.5% |
| KNN | 86.2% |
Visualizaciones¶
El dashboard incluye 4 pestañas interactivas:
- t-SNE: Proyección 2D de los embeddings - flores similares aparecen juntas
- Comparativa: Barras con accuracy de cada modelo
- Confusion Matrix: Aciertos/errores por clase (porcentajes)
- Distribución: Radar chart del dataset
Ver Dashboard¶
Ejecutar el Ejercicio¶
cd ejercicios/04_machine_learning/flores_transfer_learning/
pip install -r requirements.txt
python 01_flores_transfer_learning.py
Requisitos: TensorFlow (GPU recomendado pero funciona en CPU)
--- Curso: Big Data con Python - De Cero a Producción Profesor: Juan Marcelo Gutierrez Miranda | @TodoEconometria Hash ID: 4e8d9b1a5f6e7c3d2b1a0f9e8d7c6b5a4f3e2d1c0b9a8f7e6d5c4b3a2f1e0d9c
Referencias académicas:
- Sandler, M., et al. (2018). MobileNetV2: Inverted Residuals and Linear Bottlenecks. CVPR.
- Yosinski, J., et al. (2014). How transferable are features in deep neural networks? NeurIPS.
- van der Maaten, L. & Hinton, G. (2008). Visualizing Data using t-SNE. JMLR.