🧠 Biblioteca Experimental de Modelos Neuronales desde Cero

Este repositorio constituye la primera etapa de una investigación orientada al procesamiento y segmentación de imágenes térmicas y médicas mediante modelos de aprendizaje automático, implementados en Python desde sus fundamentos matemáticos.

El proyecto está concebido no como una práctica aislada, sino como el desarrollo de una librería propia, modular y reproducible que evolucione gradualmente desde los clasificadores lineales hasta arquitecturas profundas avanzadas.

• Estudiante: Sofía Samaniego López
• Institución: Universidad Autónoma de Baja California (UABC)
• Carrera: Ingeniería en Electrónica
• Asesor: Dr. Gerardo Marx Chávez Campos

---

📂 Arquitectura y Ruta de Desarrollo

El repositorio se estructura como una biblioteca educativa y experimental. Siguiendo una metodología rigurosa, cada módulo incluye: formulación matemática, explicación del algoritmo, implementación manual con NumPy (sin sustitutos de librerías comerciales), pruebas con datos sintéticos y una comparación métrica de referencia contra Scikit-Learn.

1. Bloque Conceptual: Regresión Logística 🔄 (Etapa Actual)

• Objetivo: Sentar las bases de la combinación lineal de características, el uso de la función de activación Sigmoide, el cálculo de la función de costo (Binary Cross-Entropy) y la optimización de parámetros mediante Descenso del Gradiente (Gradient Descent).
• Enfoque: Desarrollar el modelo base de una sola neurona artificial y validar su comportamiento en entornos controlados y datos didácticos/sintéticos.

2. Evolución: Redes Neuronales Artificiales (ANN Multicapa) 🧠 (Próximamente)

• Objetivo: Diseñar e implementar un Perceptrón Multicapa (Multilayer Perceptron) incorporando múltiples capas ocultas para resolver problemas de clasificación no lineal.
• Componentes a programar: Propagación hacia adelante (Forward Propagation), cálculo de pérdidas, retropropagación (Backpropagation) y actualización dinámica de pesos combinando funciones de activación como ReLU y Tanh.

3. Meta Final: Redes Convolucionales (CNN) y Procesamiento Térmico 🌡️ (Meta Final)

• Preprocesamiento Formal: Lectura de imágenes térmicas, normalización, conversión a matrices, segmentación de regiones de interés (ROI) y generación de máscaras biomédicas.
• Arquitectura CNN desde cero: Programación manual de la operación de convolución, diseño de filtros, mapas de características, capas de Pooling, aplanamiento (Flatten), capas densas finales y evaluación del desempeño mediante métricas de segmentación apropiadas.

---

🛠️ Estructura del Repositorio (Planificada)

Para mantener el código didáctico separado del desarrollo formal de la librería, el repositorio se organizará de la siguiente manera:

• ├── 1_Regresion_Logistica/ -> Funciones de optimización, scripts de entrenamiento y modelos base en NumPy.
• ├── Notebooks_Didacticos/ -> Pruebas iniciales con datos de juguete (ej. Iris), visualizaciones espaciales y experimentos controlados.
• ├── .gitignore -> Configuración para la exclusión estricta de entornos virtuales (.venv) y archivos temporales de Python.

---

📝 Bitácora de Avances

• 10 de Junio, 2026: Inicialización del repositorio oficial, configuración del aislamiento de entorno mediante .gitignore y resguardo del primer bloque de código correspondiente a la teoría, combinación lineal y visualización espacial de la Regresión Logística.