Biblioteca Experimental de Modelos Neuronales desde Cero

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 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: Sofia Samaniego Lopez
Institucion: Universidad Autonoma de Baja California (UABC)
Carrera: Ingenieria en Electronica
Asesor: Gerardo Marx Chávez Campos

Arquitectura y Ruta de Desarrollo

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. 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. 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. 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.

---

Estructura de Archivos (Planificada)

• /Regresion_Logistica -> Modulo de desarrollo y funciones de optimizacion.
• /Notebooks_Didacticos -> Pruebas iniciales con datos sinteticos y comparativas.
• .gitignore -> Exclusion de entornos virtuales (.venv).