machine-learning-demos

Colección de demos de IA y análisis de datos en Python: aprendizaje automático, visión por computador, aprendizaje profundo, lógica difusa y estadística aplicada. Cada carpeta es un caso independiente, con su propio README, sus datos y un notebook que se ejecuta de principio a fin.

Table of Contents

• Demos
• Requisitos
• Cómo ejecutar
• Estructura
• Licencia

Demos

Demo	Qué muestra	Stack
computer-vision-lumen	Detección y caracterización de lúmenes en imágenes histológicas	OpenCV, scikit-image, NumPy
model-selection	Comparación de modelos de regresión y clasificación con búsqueda de hiperparámetros	scikit-learn, pandas
fuzzy-famacha	Recomendación de desparasitación en ovinos con lógica difusa (Mamdani)	scikit-fuzzy, NumPy
eda-anova-regression	Análisis exploratorio, ANOVA y regresión sobre sesiones de lectura	pandas, statsmodels, SciPy
image-classification-transfer-learning	Clasificación de imágenes desde cero, con MobileNetV2 y con VGG16	TensorFlow, Keras

Cada demo explica en su README el problema, los datos, las decisiones y los resultados.

Requisitos

• uv — gestiona el entorno y las dependencias.
• Python 3.12 (uv lo instala si hace falta).

La demo de clasificación de imágenes necesita además:

uv sync --extra deep-learning

Ese extra instala TensorFlow, kagglehub y seaborn. También requiere credenciales de Kaggle y, para entrenar con comodidad, una GPU; el README de la demo explica cómo ejecutarla en Colab.

Cómo ejecutar

Entorno base

uv sync
uv run jupyter lab

Abre el notebook de la demo que quieras probar y ejecútalo de arriba abajo.

Demo de deep learning

uv sync --extra deep-learning
uv run jupyter lab

Estructura

machine-learning-demos/
├── computer-vision-lumen/   # detección de lúmenes en imágenes histológicas
├── model-selection/         # comparación de modelos con GridSearchCV
├── fuzzy-famacha/           # sistema difuso de desparasitación en ovinos
├── eda-anova-regression/    # EDA, ANOVA y regresión sobre sesiones de lectura
├── image-classification-transfer-learning/  # desde cero, MobileNetV2 y VGG16
├── pyproject.toml           # dependencias compartidas
└── uv.lock                  # entorno reproducible

Licencia

MIT