README modificado

README.md

@@ -1,35 +1,44 @@
-# Biblioteca Experimental de Modelos Neuronales desde Cero
+# 🧠 Biblioteca Experimental de Modelos Neuronales desde Cero
 
-Este repositorio constituye la primera etapa de una investigacion orientada al procesamiento y segmentacion de imagenes termicas y medicas mediante modelos de aprendizaje automatico implementados en Python desde sus fundamentos matematicos. 
+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 esta concebido no como una practica aislada, sino como el desarrollo de una libreria propia y modular que evolucione gradualmente desde los clasificadores lineales hasta arquitecturas profundas avanzadas.
+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  
 
-**Estudiante:** Sofia Samaniego Lopez  
-**Institucion:** Universidad Autonoma de Baja California (UABC)  
-**Carrera:** Ingenieria en Electronica  
-**Asesor:** Gerardo Marx Chávez Campos
 ---
 
-## Arquitectura y Ruta de Desarrollo
+## 📂 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.
 
-El repositorio se estructura como una biblioteca educativa y experimental, donde cada modulo incluye: formulacion matematica, implementacion manual con NumPy (sin sustitutos de librerias comerciales), pruebas con datos sinteticos y comparacion de referencia contra Scikit-Learn.
+### 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.
+
+---
 
-### 1. Bloque Conceptual: Regresion Logistica (Etapa Actual)
+## 🛠️ Estructura del Repositorio (Planificada)
-* **Objetivo:** Sentar las bases de la combinacion lineal de caracteristicas, uso de la funcion de activacion Sigmoide, calculo de la funcion de costo (Binary Cross-Entropy) y optimizacion mediante Descenso del Gradiente.
-* **Estado:** Implementacion del modelo base de una sola neurona y validacion con entornos controlados.
 
-### 2. Evolucion: Redes Neuronales Artificiales (ANN Multicapa)
+Para mantener el código didáctico separado del desarrollo formal de la librería, el repositorio se organizará de la siguiente manera:
-* **Objetivo:** Diseno de un Perceptron Multicapa incorporando multiples capas ocultas.
-* **Componentes a programar:** Propagacion hacia adelante (Forward propagation), calculo de perdidas, retropropagacion (Backpropagation) y actualizacion dinamica de pesos con funciones de activacion (ReLU, Tanh).
 
-### 3. Meta Final: Redes Neuronales Convolucionales (CNN) y Procesamiento Termico
+* `├── 1_Regresion_Logistica/` -> Funciones de optimización, scripts de entrenamiento y modelos base en NumPy.
-* **Preprocesamiento Formal:** Lectura de imagenes termicas, normalizacion, conversion a matrices, segmentacion de regiones de interes (ROI) y generacion de mascaras.
+* `├── Notebooks_Didacticos/` -> Pruebas iniciales con datos de juguete (ej. Iris), visualizaciones espaciales y experimentos controlados.
-* **Arquitectura CNN desde cero:** Programacion manual de la operacion de convolucion, diseno de filtros, mapas de caracteristicas, capas de Pooling, aplanamiento (Flatten), capas densas y evaluacion mediante metricas de segmentacion.
+* `├── .gitignore` -> Configuración para la exclusión estricta de entornos virtuales (`.venv`) y archivos temporales de Python.
 
 ---
 
-## Estructura de Archivos (Planificada)
+## 📝 Bitácora de Avances
 
-* `/Regresion_Logistica` -> Modulo de desarrollo y funciones de optimizacion.
+* **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**.
-* `/Notebooks_Didacticos` -> Pruebas iniciales con datos sinteticos y comparativas.
-* `.gitignore` -> Exclusion de entornos virtuales (.venv).