20/06/2026
Nuestra predicción para la segunda vuelta presidencial 🇨🇴🗳️🦾
InGeniia
Compartir
Aprende inteligencia artificial en:
www.ingeniia.co
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 👈🏻
¿Quieres que tu escuela/facultad sea el Escuela/facultad mas cotizado en Armenia?
Haga clic aquí para reclamar su Entrada Patrocinada.
Haga clic aquí para reclamar su Entrada Patrocinada.
Localización
Contacto la escuela/facultad
Página web
Dirección
Armenia