# 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.

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

## Ruta de Desarrollo del Proyecto

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.