# 🧠 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**.