Argenis Gómez - Proyectos en Deep Learning
Mi nombre es Argenis Gómez. Soy Ingeniero en Telecomunicaciones y Data Scientist residente en Argentina.
He desarrollado habilidades en Deep Learning y estoy certificado en Tensorflow. (Link a certificado)
Entre mis principales cualidades está el trabajo en equipo, el profesionalismo y el entusiasmo para siempre seguir creciendo profesionalmente.
Todos mis proyectos
YOLOv5: Real time face detection
Descripción:
Utilizando YOLOv5 se creaó un detector de caras y con OpenCV se realizó una aplicación para detectarlas en tiempo real.
- Se etiquetaron las imagenes utilizando la plataforma de Roboflow.
- Fue entrenado con casi 500 imágenes de 512x512 y por apenas 50 epocas.
Imágenes de blanco y negro a color
Descripción:
A través de una arquitectura Pix2Pix agregaremos color a imágenes en blanco y negro.
- Se tomaron imágenes a color aleatoreamente de Google y se convirtieron a escala de grises para ser usadas como input del modelo.
- Se utilizaron 6000 imágenes con resolución de 256x256.
- El modelo fue entrenado por 100 épocas, obteniendo resultados bastante satisfactorios.
Traductor
Descripción:
Utilizando Transformes se desarrolló un traductor de inglés a español.
Con Steamlit se creó una plataforma que permite ingresar el texto en inglés y luego ser traducido a español.
- El traductor solo traduce de inglés a español, no es capaz de traducir de español a inglés.
- Al no disponer de suficiente entrenamiento se optó por utilizar un modelo más pequeño que el original.
- El modelo solo fue entrenado por 20 épocas, por lo tanto aún tiene un margen de mejora.
Clasificador de motos
Descripción:
Utilizando una arquitectura Xception se desarrolló un clasificador de motos.
Se creó una plataforma en Streamlit que permite cargar imágenes y clasificarlas en 9 clases diferentes. La plataforma tiene un sistema de feedback que permite al usuario verificar si la imagen fue clasificada correctamente y las guarda en background para reentrenar el sistema posteriormente.
- Los datos fueron scrapeados de MercadoLibre utilizando Scrapy. Se obtuvieron aproximadamente 15000 imágenes entre las diferentes clases.
- El clasificador funciona con 9 clases (Calle, Chopper, Cross, Cuatriciclos, Deportivas, Enduro, Naked, Scooters y Touring).
- Utilizando Keras-Tuner se obtuvieron los mejores parámetros para entrenar el modelo.
- El modelo principal tiene una precisión del 93% en imágenes nuevas.
Assault
Descripción:
Usando DQN, se entrenó un agente que aprendió a jugar el juego de Atari 2600 Assault.
- El agente fue entrenado por 100 episodios.
- El agente es capaz de alcanzar una recompensa de 400+.
Clasificador de animales
Descripción:
Utilizando una arquitectura EfficientNetB0 se desarrolló un clasificador de animales.
Se creó una plataforma que permite cargar imágenes de animales y clasificarlas. La plataforma tiene un sistema de feedback que permite al usuario verificar si la imagen fue clasificada correctamente.
- El clasificador funciona con 10 tipos de animales (Perros, Gatos, Mariposas, Ardillas, Arañas, Vacas, Elefantes, Gallinas, Ovejas y Caballos).
- La idea detrás del mecanismo de feedback es guardar las imágenes dadas por el usuario con sus respectivas etiquetas para mejorar el modelo posteriormente.
Clasificador de tweets
Descripción:
Utilizando Conv1D se desarrolló un clasificador del sentimiento de Tweets en inglés.
Se creó una plataforma con Streamlit que permite ingresar el Tweet en inglés y luego clasificar el sentimiento.
Fake Faces
Descripción:
Utilizando una arquitectura GAN se creó un Generador de rostros artificiales.
El proyecto incluye una plataforma que permite generar rostros artificiales y descargarlos.
- Se utilizaron 40000 imágenes del dataset CelebA.
- Las imágenes tienen una resolución de 128x128.
- El modelo se entrenó por 300 epocas.
Heart attacks prediction
Descripción:
Se realizó el análisis exploratorio de los datos, para daterterminar los principales motivos de un ataque al corazón.
- Se utilizó keras-tuner con RandomSearch para determinar los mejores HP.
- El modelo alcanzó el 90% de precisón sobre el dataset de pruebas.
Variables discretas
Variables continuas
Contacto
- LinkedIn - Argenis Gómez
- GitHub - argenis-gomez