¡Bienvenido a mi repositorio de GitHub!
En este espacio encontrarás una colección de mis proyectos públicos enfocados en los distintos pilares de la ciencia de datos, desarrollados con diversas herramientas y técnicas. Los proyectos están organizados en carpetas temáticas para facilitar su exploración y comprensión.
Este proyecto se centra en un Análisis Exploratorio de Datos (EDA) exhaustivo y detallado, ya que sabemos que la base de todo modelo, predicción o trabajo de un científico de datos radica en un excelente EDA. Para este proyecto, se emplearon múltiples librerías de visualización y análisis, junto con una revisión bibliográfica profunda que fundamenta cada decisión en el proceso de limpieza y transformación de datos.
- Objetivo: Analizar los resultados completos de las elecciones al Lok Sabha de 2024 en India.
- Datos: Los datos se obtuvieron directamente del sitio web oficial de la Comisión Electoral de la India mediante un script automatizado.
- Fecha de extracción: 5 de junio de 2024, un día después de la publicación oficial de los resultados.
- Herramientas utilizadas: Python (Pandas, Matplotlib, Seaborn)
2. CLASIFICACIÓN Y DETECCIÓN DE TUMORES CEREBRALES CON CNN Y API EN FLASK A TRAVÉS DE IMÁGENES DE RESONANCIA MAGNÉTICA
Este proyecto implementa un modelo de red neuronal convolucional (CNN) para la clasificación de tumores cerebrales en imágenes de resonancia magnética, abarcando tres tipos de tumores (glioma, meningioma, pituitario) y una clase sin tumor. El modelo está entrenado para predecir el tipo de tumor a partir de imágenes médicas.
Se ha desarrollado una API con Flask que permite a los usuarios subir imágenes de resonancia magnética a través de una interfaz web sencilla. La API procesa las imágenes y devuelve la predicción del modelo. El proyecto está preparado para desplegarse en una máquina virtual de Google Cloud Platform (GCP) y se ha creado un entorno Docker para facilitar la implementación y escalabilidad.
PY_FINAL_DP.ipynb: Notebook con el desarrollo y entrenamiento del modelo usando TensorFlow.modelo_mri_tumor.h5: Modelo entrenado guardado en formato H5.Dockerfile: Configuración para crear la imagen Docker.requirements.txt: Lista de dependencias necesarias.app.py: Código de la API desarrollada en Flask.templates/index.html: Archivos HTML y CSS para la interfaz web.
Fernando Cabrera Barranzuela.
Apasionado por la ciencia de datos, siempre en busca de nuevas tecnologías y conocimientos que permitan resolver problemas complejos y generar valor a partir de los datos.
Este repositorio utiliza datos de uso público y está bajo la licencia MIT.
Para consultas, colaboraciones o sugerencias, puedes contactarme a través de:
- GitHub
- Gmail: [email protected]