

🔬 ¡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
Para nosotros, una imagen microscópica puede mostrar células, formas y estructuras.
Para una computadora, esa misma imagen comienza como una matriz de valores correspondientes a píxeles.
Entonces, ¿cómo pasa una inteligencia artificial de esos números a reconocer patrones visuales?
En esta clase gratuita recorreremos de manera visual y práctica los fundamentos del Deep Learning aplicado a imágenes biomédicas, desde la preparación de una imagen hasta el entrenamiento, evaluación e interpretación de una predicción con Python, TensorFlow y Keras.
💬 Únete a nuestra comunidad de WhatsApp:
Join WhatsApp Group
¿Qué verás?
🔹 Píxeles, matrices y canales RGB
🔹 Normalización y preparación de imágenes
🔹 Fundamentos del Deep Learning
🔹 Neuronas artificiales y capas
🔹 Entrenamiento y función de pérdida
🔹 Redes Neuronales Convolucionales
🔹 Filtros y convoluciones
🔹 Construcción básica de una CNN
🔹 Entrenamiento y validación
🔹 Accuracy y pérdida
🔹 Sobreajuste
🔹 Matriz de confusión
🔹 Sensibilidad y especificidad
🔹 Mapas de activación
🔹 Introducción a Grad-CAM
Caso demostrativo
Trabajaremos con un conjunto público de imágenes microscópicas 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
📅 Domingo 22 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.
💻 Virtual — Google Meet
⏱️ 75–90 minutos
🎯 Nivel introductorio con enfoque aplicado
✅ No necesitas experiencia previa en redes neuronales.
✅ No necesitas experiencia avanzada en Python.
Dinámica
Comenzaremos comprendiendo cómo una computadora representa una imagen mediante píxeles y matrices.
Después veremos cómo una red neuronal aprende patrones y cómo las CNN utilizan filtros y convoluciones para extraer características visuales.
Luego abordaremos entrenamiento, validación y evaluación para responder una pregunta clave:
¿La red realmente aprendió o simplemente memorizó?
Finalmente, introduciremos mapas de activación y Grad-CAM para explorar qué regiones de una imagen están relacionadas con la predicción realizada por el 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 multi-ómico e inteligencia artificial aplicada a biomedicina.
LYN BIOLEARNING 🧬💙