Rediseño del README alineado a la arquitectura modular de investigacion
parent
d96d2e5036
commit
ed28151557
@ -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
|
**Estudiante:** Sofia Samaniego Lopez
|
||||||
**Institución:** Universidad Autónoma de Baja California (UABC)
|
**Institucion:** Universidad Autonoma de Baja California (UABC)
|
||||||
**Carrera:** Ingeniería en Electrónica
|
**Carrera:** Ingenieria en Electronica
|
||||||
**Asesor:** Gerardo Marx Chávez Campos
|
**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)*
|
### 1. Bloque Conceptual: Regresion Logistica (Etapa Actual)
|
||||||
* **Descripción:** Implementación desde cero (*from scratch*) del clasificador binario básico.
|
* **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.
|
||||||
* **Conceptos clave:** Combinación lineal, función de activación Sigmoide, funciones de costo y optimización mediante Descenso del Gradiente.
|
* **Estado:** Implementacion del modelo base de una sola neurona y validacion con entornos controlados.
|
||||||
* **Objetivo:** Comprender cómo una sola neurona artificial procesa múltiples características (*features*) para entregar una salida probabilística.
|
|
||||||
|
|
||||||
### 2. `Redes_Neuronales_ANN/` 🧠 *(Próximamente)*
|
### 2. Evolucion: Redes Neuronales Artificiales (ANN Multicapa)
|
||||||
* **Descripción:** Evolución hacia el Perceptrón Multicapa (Artificial Neural Networks).
|
* **Objetivo:** Diseno de un Perceptron Multicapa incorporando multiples capas ocultas.
|
||||||
* **Conceptos clave:** Conexión de múltiples neuronas en capas ocultas, multiplicación de matrices, funciones de activación no lineales y el algoritmo de Backpropagation.
|
* **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)*
|
### 3. Meta Final: Redes Neuronales Convolucionales (CNN) y Procesamiento Termico
|
||||||
* **Descripción:** Diseño y entrenamiento de una Red Neuronal Convolucional aplicada a datos de imágenes termográficas.
|
* **Preprocesamiento Formal:** Lectura de imagenes termicas, normalizacion, conversion a matrices, segmentacion de regiones de interes (ROI) y generacion de mascaras.
|
||||||
* **Conceptos clave:** Capas de convolución para extracción de características espaciales, capas de Pooling para reducción de dimensionalidad y capas densas finales de clasificación.
|
* **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
|
## Estructura de Archivos (Planificada)
|
||||||
|
|
||||||
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
|
|
||||||
|
|
||||||
# Instalar las librerías esenciales
|
* `/Regresion_Logistica` -> Modulo de desarrollo y funciones de optimizacion.
|
||||||
pip install numpy pandas matplotlib scikit-learn jupyter
|
* `/Notebooks_Didacticos` -> Pruebas iniciales con datos sinteticos y comparativas.
|
||||||
|
* `.gitignore` -> Exclusion de entornos virtuales (.venv).
|
||||||
Loading…
Reference in New Issue