🔬 ¡Clase Gratuita Online! IA bajo el microscopio: Deep Learning para clasificar imágenes biomédicas
🔬 ¡Clase Gratuita Online! IA bajo el microscopio: Deep Learning para clasificar imágenes biomédicas
Las imágenes microscópicas pueden contener patrones visuales difíciles de analizar manualmente cuando el número de muestras aumenta. El Deep Learning permite construir modelos capaces de aprender características directamente a partir de los píxeles y utilizarlas para clasificar nuevas imágenes.
Pero ¿cómo pasa una computadora de observar una matriz de números a reconocer patrones visuales?
En esta clase gratuita conocerás de manera visual y práctica cómo funciona una Red Neuronal Convolucional (CNN) aplicada a imágenes biomédicas.
Recorreremos el flujo desde la representación de una imagen como píxeles hasta el entrenamiento, evaluación e interpretación de una predicción utilizando Python, TensorFlow y Keras.
💬 Únete a nuestro grupo de WhatsApp para recibir materiales, recordatorios y el acceso a la sesión:
¿Qué verás en esta clase?
🔹 Cómo observa una computadora una imagen biológica
🔹 Píxeles, matrices y canales RGB
🔹 Normalización y preparación de imágenes
🔹 Organización de un dataset de imágenes
🔹 Introducción al Deep Learning
🔹 Neuronas artificiales y capas de una red neuronal
🔹 Entrenamiento, error y función de pérdida
🔹 Diferencias entre Machine Learning y Deep Learning
🔹 Qué es una Red Neuronal Convolucional (CNN)
🔹 Filtros y convoluciones
🔹 Detección de bordes, texturas y patrones celulares
🔹 Construcción básica de una CNN con TensorFlow/Keras
🔹 Predicción de nuevas imágenes
🔹 Entrenamiento vs. validación
🔹 Accuracy, pérdida y sobreajuste
🔹 Matriz de confusión, sensibilidad y especificidad
🔹 Introducción a mapas de activación y Grad-CAM
Caso demostrativo
Trabajaremos con un conjunto público de imágenes microscópicas de células, utilizando como ejemplo la clasificación de células infectadas y no infectadas por malaria.
Herramientas
💻 Google Colab
🐍 Python
🔢 NumPy
📊 Matplotlib
🧠 TensorFlow
⚙️ Keras
A tomar en cuenta
📅 Lunes 2 de noviembre de 2026
🕒 Horarios:
🇲🇽 México: 6:00 p. m.
🇵🇪 Perú | 🇨🇴 Colombia | 🇪🇨 Ecuador: 7:00 p. m.
🇧🇴 Bolivia | 🇻🇪 Venezuela: 8:00 p. m.
🇨🇱 Chile | 🇦🇷 Argentina: 9:00 p. m.
💻 Modalidad: Virtual — Google Meet
⏱️ Duración aproximada: 75–90 minutos
✅ No necesitas experiencia previa en redes neuronales.
✅ No necesitas conocimientos avanzados de Python.
✅ Se recomiendan conocimientos básicos de biología o ciencias biomédicas.
Dinámica
Comenzaremos comprendiendo cómo una computadora representa una imagen mediante píxeles, matrices y canales de color.
Luego introduciremos los fundamentos del Deep Learning y veremos cómo una red neuronal aprende progresivamente a partir de los datos.
A continuación, exploraremos las Redes Neuronales Convolucionales, entendiendo cómo los filtros y convoluciones permiten detectar bordes, texturas y patrones presentes en imágenes biomédicas.
Construiremos un flujo básico con TensorFlow/Keras, revisaremos cómo entrenar el modelo y analizaremos sus predicciones mediante métricas y visualizaciones.
Finalmente, introduciremos la interpretabilidad mediante mapas de activación y Grad-CAM, para comprender qué regiones de una imagen están influyendo en la decisión del modelo.
👨🏫 Instructor: Luis Alejandro Pérez Timaná
Genetista y biotecnólogo por la Universidad Nacional Mayor de San Marcos, con más de seis años de experiencia en programación aplicada a las biociencias mediante Python.
Sus áreas de especialización incluyen bioinformática, análisis de datos multi-ómicos, inteligencia artificial aplicada a la biomedicina, genética molecular e ingeniería genética.
Actualmente se desempeña como investigador predoctoral en el Departamento de Ingeniería Biomolecular de la Universidad de California, Santa Cruz (UCSC).
💬 ¿Tienes preguntas?
Podrás realizarlas durante la sesión.
LYN BIOLEARNING 🧬💙