¿Qué es el sitio web?

InGeniia

Casa
Colombia
Armenia
InGeniia

Aprende inteligencia artificial en:
www.ingeniia.co

20/06/2026

Nuestra predicción para la segunda vuelta presidencial 🇨🇴🗳️🦾

20/06/2026

Predicción de 5 posibles escenarios de participación electoral para la segunda vuelta presidencial Colombiana, con distribución territorial 🦾🗳️🇨🇴

19/06/2026

¿Como se van a distribuir estos nuevos votantes? ¡Lo veremos mañana! ¡No se lo pierdan! 🇨🇴🗳️🦾

17/06/2026

Machine Learning electoral parte 2 🗳️🇨🇴🦾

15/06/2026

¿Juan Daniel Oviedo afectó los votos de Paloma Valencia? (Politicamente hablando) 🧐

¿Votantes del pacto histórico votaron en otras consultas? 🗳️

¿Quiénes votaron a Juan Daniel Oviedo en la gran consulta por Cololmbia? 🇨🇴

Lo veremos en el próximo video, bienvenidos a una pequeña sección de Machine Learning aplicado a las elecciones presidenciales Colombianas 🇨🇴🦾

31/05/2026

Nuestra predicción es clara: Cepeda lidera, De la Espriella se consolida y Valencia queda tercera. 🇨🇴

Pero esto no salió de una opinión política. 🗣️
Salió de un modelo territorial de Machine Learning que analiza Colombia municipio por municipio. 🗳️

Usamos:

datos históricos electorales,
variables socioeconómicas,
- población,
- seguridad,
- educación,
- pobreza,
- servicios públicos,
- paz y víctimas,
- encuestas presidenciales,
- y calibración nacional con IPF/raking.

Y por supuesto un modelo de Gradient Boosting sobre árboles de decisión. 🪾

🔝 El resultado nacional calibrado nos da:

- Cepeda (PH) — 38.15%
- De la Espriella (Ind.) — 28.68%
- Valencia (CD) — 20.87%
- Voto en blanco — 4.26%
- Fajardo (D&C) — 3.22%
- López (Ind.) — 2.08%

¿Le pegará la inteligencia artificial a la elección? 🤔

Hoy lo sabremos. 🦾 🇨🇴

31/05/2026

¿Que tal este mix de Machine Learning y política? ⚖️
¿Acertaremos los resultados? 🧐
¿Hacemos análisis técnico de TODO lo realizado? ⚙️

Ojalá lo vea algún candidato:

O en su defecto algún medio periodístico:

Espero les haya gustado, fue hecho con mucho amor al aprendizaje automático.

23/05/2026

¿Cómo un modelo de visión artificial pasa de “ver objetos” a delimitar con precisión su forma? 🫟

En el video analizo sus componentes principales:

🃏 Backbone: extracción de características visuales desde la imagen.
🏗️ Neck: fusión multiescala para conservar información útil de objetos pequeños, medianos y grandes.
🧠 Head Detection: predicción de cajas, clases y confianza.
🧠 Head Segmentation: la parte más interesante: generación de prototipos de máscaras y predicción de coeficientes por instancia para construir la máscara final de cada objeto detectado.

La clave de YOLO26-seg no está solo en detectar dónde está un objeto, sino en aproximar qué forma tiene. Ese salto de bounding box a máscara es lo que vuelve tan poderosa la segmentación de instancias para nuestro proyecto de identificación de baches en carretera. 🛣️

20/05/2026

🦾 ¿Quieres entrenar un modelo de Inteligencia Artificial y no sabes por dónde empezar?

Empieza por el dataset. ✅

👁️‍🗨️ En modelos de visión artificial como YOLO26-seg, el dataset puede marcar la diferencia entre un modelo que realmente aprende y uno que solo es bueno en metricas de entrenamiento.

📂 Un buen dataset no solo se mide por cantidad de imágenes, sino por:

- diversidad de escenarios, iluminación, ángulos y escalas; 🌆
- equilibrio entre clases; ⚖️
- calidad de las anotaciones; ✏️
- número de instancias por clase; 🔢
- similitud con el entorno real donde el modelo será usado. 🛻

En este video veremos los conceptos necesarios para crear un dataset robusto y entrenar tu primer modelo de segmentación de instancias. 🚀

📌 Si quieres ver la clase completa, te dejo por aqui el link:
👉🏻 https://youtu.be/9tOsqImrGdE?si=lde7VoSsjpasUdHZ 👈🏻

Dirección

Armenia

Página web

https://www.ingeniia.co/

Notificaciones

Sé el primero en enterarse y déjanos enviarle un correo electrónico cuando InGeniia publique noticias y promociones. Su dirección de correo electrónico no se utilizará para ningún otro fin, y puede darse de baja en cualquier momento.