BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//pretalx//pretalx.com//pycones-2026//talk//GPYECJ
BEGIN:VTIMEZONE
TZID:Europe/Madrid
BEGIN:STANDARD
DTSTART:20251107T000000
TZNAME:CET
TZOFFSETFROM:+0100
TZOFFSETTO:+0100
END:STANDARD
BEGIN:DAYLIGHT
DTSTART:20260329T030000
RDATE:20270328T030000
TZNAME:CEST
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
END:DAYLIGHT
BEGIN:STANDARD
DTSTART:20261025T030000
RDATE:20271031T030000
TZNAME:CET
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
SUMMARY:¿De quién es este hueso? Clasificación zooarqueológica con Pyt
 hon\, Machine Learning y datos sintéticos - Francisco Javier Luengo Guti
 érrez
DTSTART;TZID=Europe/Madrid:20261107T105000
DTEND;TZID=Europe/Madrid:20261107T113000
DTSTAMP:20260726T231305Z
UID:pretalx-pycones-2026-GPYECJ@pretalx.com
DESCRIPTION:En muchos proyectos de Machine Learning\, el principal obstác
 ulo no es el modelo\, sino la ausencia de datos adecuados. ¿Cómo diseña
 r un sistema cuando los datos son escasos\, inconsistentes o difíciles de
  obtener?\n\nEn esta charla se presenta el diseño de un pipeline de Machi
 ne Learning implementado en Python que aborda este problema combinando gen
 eración de datos sintéticos\, extracción de features y clasificación j
 erárquica. A través de un caso de uso en zooarqueología (la identificac
 ión de restos óseos a partir de imágenes) se construye un sistema capaz
  de operar en condiciones de datos limitados combinando visión y datos ta
 bulares.\n\nEl pipeline integra distintas etapas: preprocesado de imágene
 s con OpenCV\, generación de datos sintéticos a partir de modelos 3D uti
 lizando Blender y su API en Python\, extracción de features geométricas\
 , y entrenamiento de modelos de Machine Learning con PyTorch. En lugar de 
 depender de un único modelo\, el sistema se estructura en varios niveles 
 de decisión que permiten reducir progresivamente el espacio de búsqueda 
 antes de la clasificación final.\n\nSe mostrará cómo Python permite orq
 uestar todo el flujo\, desde la generación del dataset hasta el entrenami
 ento y evaluación\, apoyándose en herramientas como DVC y MLflow para la
  reproducibilidad y seguimiento de experimentos.\n\nAdemás\, se discutir
 án retos habituales en este tipo de sistemas\, como la brecha entre datos
  sintéticos y reales\, la estimación de escala a partir de imágenes y l
 a gestión de la incertidumbre en pipelines jerárquicos.
LOCATION:Track 05
URL:https://pretalx.com/pycones-2026/talk/GPYECJ/
END:VEVENT
END:VCALENDAR