Curso Introducción al uso de machine learning para la detección automática de cantos

El uso de clasificadores automáticos de cantos basados en algoritmos de machine learning (ML) se ha popularizado entre ecólogos como una herramienta poderosa para el análisis de grandes bases de datos acústicas. Un ejemplo de esto es el desarrollo de clasificadores de cantos previamente entrenados, que no requieren conocimientos previos en programación o ML por parte del usuario. Sin embargo, su rendimiento varía según la región del mundo y no es posible modificar muchos de sus parámetros. Estos factores son especialmente importantes en ecosistemas tropicales, donde la complejidad de los paisajes sonoros y la escasez de cantos etiquetados de las especies limitan el rendimiento de modelos preentrenados, haciendo necesario el desarrollo de clasificadores propios. Teniendo a biólogos y ecólogos como público objetivo, este curso busca familiarizar a los alumnos con conceptos básicos de machine learning importantes para el desarrollo de detectores automáticos de cantos. Además de introducir a los alumnos a conceptos relevantes para entrenar y evaluar un modelo, estos se pondrán en práctica mediante un laboratorio usando programas de código abierto. De esta forma, se busca proporcionar bases para que los alumnos, independientemente de sus conocimientos previos en ML, puedan empezar a emplear esta poderosa herramienta en sus investigaciones.

Objetivos:

• Introducir a los estudiantes al marco conceptual usado en el desarrollo de modelos de ML enfocado en el procesamiento de señales acústicas. Los estudiante adquiriran una comprensión sólida de conceptos basicos de ML que les permitira entender el funcionamiento de modelos de aprendizaje supervisado en bioacústica.
• Brindar herramientas para entrenar clasificadores propios. Los estudiantes seran capaces de entrenar y evaluar clasificadores de cantos automáticos basados en algoritmos supervisados de ML, particularmente en redes neuronales convulsionares.

Organizadores:

Santiago Ruiz Guzmán

University of Pittsburgh

Contacto: sar541@pitt.edu