Verano-Delfin-2026
/
Clasificator
4
0
Fork 0
Code Issues Pull Requests Packages Projects Releases Wiki Activity

Ahora si actualizando el README con el texto limpio

Browse Source
main
Sofia Samaniego 2 days ago
parent 702d528d79
commit d96d2e5036
1 changed files with 32 additions and 77 deletions
Show Stats Download Patch File Download Diff File

109
README.md
Unescape Escape View File

@ -1,94 +1,49 @@
# \# Estancia de Investigación - Verano Delfín 2026
# Estancia de Investigación - Verano Delfín 2026
#
Este repositorio está dedicado al desarrollo, almacenamiento y documentación de los módulos de código, algoritmos de Machine Learning y arquitecturas de Deep Learning desarrollados durante la estancia de investigación del Programa Delfín.
# Este repositorio está dedicado al desarrollo, almacenamiento y documentación de los módulos de código, algoritmos de Machine Learning y arquitecturas de Deep Learning desarrollados durante la estancia de investigación del Programa Delfín.
El objetivo final del proyecto es implementar un modelo avanzado de clasificación de imágenes termográficas. Para lograrlo, el plan de trabajo está estructurado de manera cronológica, avanzando desde los fundamentos matemáticos de los clasificadores lineales hasta el diseño de redes neuronales profundas.
#
**Estudiante:** Sofía Samaniego López
**Institución:** Universidad Autónoma de Baja California (UABC)
**Carrera:** Ingeniería en Electrónica
**Asesor:** Gerardo Marx Chávez Campos
# El objetivo final del proyecto es implementar un modelo avanzado de clasificación de imágenes termográficas. Para lograrlo, el plan de trabajo está estructurado de manera cronológica, avanzando desde los fundamentos matemáticos de los clasificadores lineales hasta el diseño de redes neuronales profundas.
---
#
## 📂 Ruta de Desarrollo del Proyecto
# \*\*Estudiante:\*\* Sofía Samaniego López
El proyecto se divide en módulos que reflejan el progreso del aprendizaje y la complejidad de los algoritmos:
# \*\*Institución:\*\* Universidad Autónoma de Baja California (UABC)
### 1. `Regresion_Logistica/` 🔄 *(En desarrollo)*
* **Descripción:** Implementación desde cero (*from scratch*) del clasificador binario básico.
* **Conceptos clave:** Combinación lineal, función de activación Sigmoide, funciones de costo y optimización mediante Descenso del Gradiente.
* **Objetivo:** Comprender cómo una sola neurona artificial procesa múltiples características (*features*) para entregar una salida probabilística.
# \*\*Carrera:\*\* Ingeniería en Electrónica
### 2. `Redes_Neuronales_ANN/` 🧠 *(Próximamente)*
* **Descripción:** Evolución hacia el Perceptrón Multicapa (Artificial Neural Networks).
* **Conceptos clave:** Conexión de múltiples neuronas en capas ocultas, multiplicación de matrices, funciones de activación no lineales y el algoritmo de Backpropagation.
# \*\*Asesor:\*\* Gerardo Marx Chávez Campos
### 3. `CNN_Termografia/` 🌡️ *(Meta Final)*
* **Descripción:** Diseño y entrenamiento de una Red Neuronal Convolucional aplicada a datos de imágenes termográficas.
* **Conceptos clave:** Capas de convolución para extracción de características espaciales, capas de Pooling para reducción de dimensionalidad y capas densas finales de clasificación.
---
## 🛠️ Configuración del Entorno y Requisitos
#
Para mantener el proyecto ordenado y evitar conflictos con las librerías locales de la computadora, se utiliza un entorno virtual de Python.
# \## Ruta de Desarrollo del Proyecto
> ⚠️ **Nota de Git:** La carpeta `.venv` que contiene el entorno virtual está configurada en el archivo `.gitignore` para evitar que se suban archivos innecesarios al servidor.
#
# El proyecto se divide en módulos que reflejan el progreso del aprendizaje y la complejidad de los algoritmos:
#
# 1\. Regresion\_Logistica/ (En desarrollo)
# \- Descripción: Implementación desde cero (from scratch) del clasificador binario básico.
# \- Conceptos clave: Combinación lineal, función de activación Sigmoide, funciones de costo y optimización mediante Descenso del Gradiente.
# \- Objetivo: Comprender cómo una sola neurona artificial procesa múltiples características para entregar una salida probabilística.
#
# 2\. Redes\_Neuronales\_ANN/ (Próximamente)
# \- Descripción: Evolución hacia el Perceptrón Multicapa (Artificial Neural Networks).
# \- Conceptos clave: Conexión de múltiples neuronas en capas ocultas, multiplicación de matrices, funciones de activación no lineales y el algoritmo de Backpropagation.
#
# 3\. CNN\_Termografia/ (Meta Final)
# \- Descripción: Diseño y entrenamiento de una Red Neuronal Convolucional aplicada a datos de imágenes termográficas.
# \- Conceptos clave: Capas de convolución para extracción de características espaciales, capas de Pooling para reducción de dimensionalidad y capas densas finales de clasificación.
#
# \---
#
# \## Configuración del Entorno y Requisitos
#
# Para mantener el proyecto ordenado y evitar conflictos con las librerías locales de la computadora, se utiliza un entorno virtual de Python. La carpeta .venv está configurada en el archivo .gitignore.
#
# Comandos para replicar el entorno localmente:
#
# python -m venv .venv
# .venv\\Scripts\\activate
# pip install numpy pandas matplotlib scikit-learn jupyter
#
# \---
#
# \## Bitácora de Avances
#
# \* 10 de Junio, 2026: Inicialización del repositorio oficial, configuración del archivo .gitignore para entornos de Python y resguardo del primer bloque de código correspondiente a la teoría y visualización espacial de la Regresión Logística.
### Pasos para replicar el entorno localmente:
```bash
# Crear el entorno virtual
python -m venv .venv
# Activar el entorno (en Windows)
.venv\Scripts\activate
# Instalar las librerías esenciales
pip install numpy pandas matplotlib scikit-learn jupyter
Write Preview
Loading…
Cancel
Save