Ingeniería · producto · investigación
Desarrollo Full-Stack y Machine Learning
Desarrollo software full-stack y sistemas con machine learning. En Farmium trabajo en interfaces, backend e integraciones; en machine learning, con señales e imágenes, desde los datos hasta la evaluación.
Interfaces, servicios e integraciones para una plataforma de contenido con planificación, biblioteca, analítica y workflows.
Farmium · ProductoPreparación de datos, características, clasificación e inferencia; herramientas para inspeccionar y comparar resultados.
Señales y visiónReproducibilidad, comportamiento entre cohortes y análisis de umbrales: convertir supuestos en comprobaciones concretas.
ZX OncologyCada caso presenta el problema, mi aporte y una evidencia concreta: producto original, datos públicos o una herramienta de evaluación.
Señales de radio & drones
Elegí una grabación y compará su referencia con la predicción guardada.
Forma de ondaamplitud normalizada
Espectrogramafrecuencia / tiempo normalizados
Votos medios guardados
Cargando ejemplo guardado…
Elegí una grabación y compará su etiqueta de referencia con la salida del ensamble.
DroneRF, Al-Sa’d y colaboradores (2019). Las señales se normalizaron para visualización; el espectrograma muestra energía relativa por fragmento. La evaluación es offline y los votos no son probabilidades calibradas. Dataset y autores · CC BY 4.0.
El refit exploratorio conserva 211 ventanas de desarrollo y 103 de evaluación; obtuvo 51 aciertos en esas 103. La selección mostrada ilustra las cuatro clases; no resume el rendimiento global ni es una validación en campo.
Visión por computadora
Elegí un recorte para comparar referencia, score y decisión.
24 × 40 · recorte original ampliadoInfraredSolarModules / 0
Referencia del dataset: Offline-Module
Elegí un ejemplo y contrastá la referencia con la decisión guardada.
Compará la falsa alarma con el caso omitido. El score está por encima o por debajo del mismo umbral.
InfraredSolarModules — Raptor Maps (2020), MIT. Recortes públicos de 24×40. El modelo mostrado prioriza anomalía/no anomalía; los scores guardados no representan temperaturas ni probabilidades calibradas. Fuente pública · MIT.
Producto & sistemas
Arrastrá los nodos y recorré las dependencias de este workflow local.
El DAG de esta página es un modelo local: arrastrá nodos y recorré su orden de dependencias. La demo del producto completo está enlazada debajo.
Explorar el producto completo
{
"type": "media.process",
"input": "asset_demo",
"callback": "webhook_demo"
}Contrato ilustrativo para explorar entrada, estado y evento de salida.
Contribuciones técnicas en revisión, reproducción y evaluación, con atención a lo que los datos permiten concluir.
Revisión técnica de métodos de imagen: contrasté definiciones, umbrales y comportamiento entre cohortes. Construí herramientas para explorar la estabilidad de un biomarcador y sus errores.
Contribución metodológica y reproducción de una referencia.
Importación y validación, agregación por grupo y referencias simples. Unidades, tiempos y datos faltantes forman parte del contrato antes de comparar resultados.
Controles de datos y comparaciones reproducibles.
Desarrollo evaluadores para contrastar alertas por zona, tipo e intervalo, revisar duplicados idempotentes, medir demoras y registrar omisiones.
Prototipo independiente con eventos sintéticos.
Prototipos con cálculo local para explorar estimación, comparación de imágenes, estrategias de búsqueda y relaciones entre ideas.
Laboratorio · percepción y seguimiento
El objetivo se mueve y cada sensor aporta una medición con distinto ruido. El filtro de Kalman combina esas señales y actualiza una estimación de posición y velocidad.
Este modelo usa sensores sintéticos y cálculo local. Permite explorar qué cambia al sumar, quitar o dirigir las mediciones.
Activá S1–S4, mové el puntero sobre el campo o alterná AUTO/MANUAL para dirigir el objetivo.
Laboratorio · procesamiento de imagen
Este laboratorio permite inspeccionar cómo una perturbación modifica una imagen sintética y qué capturan distintas medidas de comparación.
Calcula una medida SSIM y distancias L∞ y L2 al modificar epsilon o mover el divisor. El procesamiento se ejecuta en el navegador.
Mové el divisor y cambiá epsilon. Las métricas describen la diferencia entre estas dos imágenes.
Imagen sintética y cálculos de comparación en el navegador.
Laboratorio · optimización numérica
Un laboratorio para observar cómo distintas estrategias buscan mínimos en la misma función. Hace visibles los candidatos, el mejor valor y el avance de cada método.
Elegí un método, cambiá el inicio y compará su recorrido. La guía explica qué representa cada elemento del campo.
Laboratorio · grafos y razonamiento
En investigación aplicada también colaboré en revisión técnica, reproducción de métodos y definición de criterios de evaluación.
Este grafo organiza familias de crítica y sus conexiones. Es una forma de explorar estructura, relaciones y preguntas que conviene hacer visibles.
Arrastrá un nodo, explorá su etiqueta o perturbá la red para observar cómo se reorganiza.
Producto · software · machine learning
Para conversar sobre un rol de programación o machine learning, desarrollo de producto o un proyecto técnico.
Jeronimo Muñoz Larreta
Desarrollo Full-Stack y Machine Learning
Desarrollo full-stack y machine learning aplicado. Experiencia en producto, servicios backend, APIs y procesamiento de señales e imágenes, conectando datos, evaluación e interfaces.
Cofundador · Desarrollo full-stack
Plataforma de operación de contenido: cuentas, biblioteca multimedia, calendario, analítica y automatización visual.
Proyectos independientes
Contribuciones metodológicas y de evaluación
TypeScript · Vue 3 · Node.js · NestJS · Prisma · Redis · APIs · WebSockets · Python · PyTorch · GPU · FFmpeg · Visión por computadora · Señales RF · Evaluación experimental