diff --git a/README.md b/README.md
index f79ad62..a51a6fc 100644
--- a/README.md
+++ b/README.md
@@ -1,49 +1,35 @@
-# Estancia de Investigación - Verano Delfín 2026
+# Biblioteca Experimental de Modelos Neuronales desde Cero
 
-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 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. 
 
-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.
+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.
 
-**Estudiante:** Sofía Samaniego López  
-**Institución:** Universidad Autónoma de Baja California (UABC)  
-**Carrera:** Ingeniería en Electrónica  
+**Estudiante:** Sofia Samaniego Lopez  
+**Institucion:** Universidad Autonoma de Baja California (UABC)  
+**Carrera:** Ingenieria en Electronica  
 **Asesor:** Gerardo Marx Chávez Campos
-
 ---
 
-## 📂 Ruta de Desarrollo del Proyecto
+## Arquitectura y Ruta de Desarrollo
 
-El proyecto se divide en módulos que reflejan el progreso del aprendizaje y la complejidad de los algoritmos:
+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.
 
-### 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.
+### 1. Bloque Conceptual: Regresion Logistica (Etapa Actual)
+* **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. `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.
+### 2. Evolucion: Redes Neuronales Artificiales (ANN Multicapa)
+* **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. `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.
+### 3. Meta Final: Redes Neuronales Convolucionales (CNN) y Procesamiento Termico
+* **Preprocesamiento Formal:** Lectura de imagenes termicas, normalizacion, conversion a matrices, segmentacion de regiones de interes (ROI) y generacion de mascaras.
+* **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.
 
 ---
 
-## 🛠️ 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.
-
-> ⚠️ **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.
-
-### Pasos para replicar el entorno localmente:
-
-```bash
-# Crear el entorno virtual
-python -m venv .venv
-
-# Activar el entorno (en Windows)
-.venv\Scripts\activate
+## Estructura de Archivos (Planificada)
 
-# Instalar las librerías esenciales
-pip install numpy pandas matplotlib scikit-learn jupyter
\ No newline at end of file
+* `/Regresion_Logistica` -> Modulo de desarrollo y funciones de optimizacion.
+* `/Notebooks_Didacticos` -> Pruebas iniciales con datos sinteticos y comparativas.
+* `.gitignore` -> Exclusion de entornos virtuales (.venv).
\ No newline at end of file