Proxecto Final de Recoñecemento de Imaxes con Machine Learning

Duración:: 4 sesións
Agrupamento:: 2-3

Este proxecto é unha oportunidade única para poñer en práctica todo o que aprendestes sobre aprendizaxe supervisada e recoñecemento de patróns en imaxes. Levarédelo a cabo en grupos pequenos de 2 ou 3 estudantes, traballando xuntos durante 4 sesións, así que será clave repartir tarefas e xestionar ben o tempo para aproveitalo ao máximo!

Dinámica do Proxecto: Traballando en equipo

1. Distribución de tarefas: Asignade roles no grupo para asegurar que todos participen activamente e o traballo flúa de forma organizada.

Unha persoa pode encargarse da preparación e selección do dataset.
Outra pode liderar a configuración do modelo na plataforma [LearningML](https://v2.learningml.org/?locale=gl).
E a terceira pode realizar as análises e documentar todo o proceso.

Recomendación: Dividide as tarefas de forma que cada membro poida achegar segundo as súas habilidades, pero que todos estean involucrados en cada etapa do proxecto.

2. Xestión do tempo: Cada grupo contará con 4 sesións, así que será importante dividir o tempo en bloques para garantir que todas as etapas do proxecto sexan completadas.

Elixir o dataset e subilo á plataforma.
Configurar o modelo e realizar o primeiro adestramento realizando pantallazos de todo o proceso.
Analizar os resultados e realizar axustes.
Redactar conclusións, reflexionar sobre o proceso e preparar a presentación.

Pasos do Proxecto

1. Pensade no voso título

Elixide un título que reflicta o obxectivo do voso modelo.

Exemplo: "Recoñecemento de tipos de froitas a partir de imaxes."

2. Proposta do modelo

Explicade o propósito do modelo: Que problema queredes resolver co recoñecemento de imaxes e por que é útil?

Queredes clasificar tipos de animais, plantas, sinais de tráfico? Queredes identificar obxectos específicos?

3. Selección do dataset

Buscade un dataset adecuado en plataformas como [Kaggle](https://www.kaggle.com/datasets). Descargádeo e subídeo á plataforma [LearningML](https://v2.learningml.org/?locale=gl).

Recomendación: Cantas máis clases e datos subades máis tardará a plataforma en adestralo

4. Configuración do modelo

Seleccionade un algoritmo

Axustade a proporción de datos entre Trainset e Testset (recomendado: 80%20%).

5. Adestramento inicial

Configurade os parámetros iniciais do algoritmo.

Realizade o primeiro adestramento do modelo para obter resultados iniciais e documentádeo con pantallazos.

6. Análise de resultados

Analizade a matriz de confusión para avaliar a precisión e detectar erros na clasificación.

Reflexionade sobre os resultados: Que funciona ben e que necesita axustes?

7. Axustes e reentrenamiento

Se é necesario:

Axustade parámetros do algoritmo e volvede adestrar o modelo.
Comparade os resultados antes e despois dos axustes.

8. Reflexión e conclusión

Redactade vosas conclusións sobre:

O rendemento do modelo.
O aprendido durante o proceso.
Propostas de mellora para o modelo e o proxecto.

9. Preparación e presentación

Preparade unha exposición clara e visual para compartir os resultados cos vosos compañeiros:
Que problema resolvestes?
Como configurastes o voso modelo?
Que resultados obtivestes e que axustes realizastes?

Recomendación: Incluíde gráficos, pantallazos e esquemas para que a vosa presentación sexa interesante.

Xestión do portafolio

Documentade cada paso do proxecto: título, proposta, pantallazos do desenrolo e proba do modelo, análise da matriz de confusión, conclusións e reflexións.

Incluíde imaxes e rexistros da vosa presentación.

Resultados esperados

Un modelo funcional que clasifique imaxes con precisión.
Un portafolio detallado co proceso completo.
Unha presentación motivadora e clara para o resto da clase.

Lembra: Este proxecto é unha oportunidade para ser creativos, explorar e mostrar todo o que aprendestes. Facede que o voso traballo brille! Ao choio!

Rúbrica do proxecto final

Aspecto a avaliar	0 puntos	0,3 puntos	0,5 puntos	0,7 puntos	1 punto
Consecución dun modelo funcional e cun uso real (3 puntos)	Non se conseguiu un modelo funcional ou non ten un uso práctico xustificado.	O modelo funciona parcialmente, pero o uso real non está suficientemente argumentado.	O modelo funciona con certas limitacións na súa aplicación práctica e a súa xustificación é mellorable.	O modelo é funcional e ten un uso práctico xustificado, pero con limitacións na súa implementación ou documentación.	O modelo funciona perfectamente e ten un uso práctico ben argumentado e claramente enfocado á resolución do problema.
Seguimento do proceso de traballo (2 puntos)	Non se realizaron os pasos adecuados no proceso.	Realizáronse todas as etapas, pero de xeito superficial ou incompletas.	Realizáronse todas as etapas, pero cunha reflexión escasa sobre o proceso.	Realizáronse todas as etapas, pero non se explican ou argumentan con precisión.	Proceso completo, reflexivo e preciso.
Presentación do proxecto no portafolio (2 puntos)	Non se realizou unha presentación ou está totalmente incompleta no portafolio.	Presentación incompleta, con falta de explicacións relevantes ou con erros importantes.	Presentación adecuada, pero con detalles mellorables en claridade ou argumentación.	Presentación adecuada, pero con puntos mellorables como falta de detalles ou conexión clara entre as etapas do proxecto.	Presentación moi ben organizada, clara e visual no portafolio, con rexistro detallado e argumentación sólida das conclusións e propostas.