You cannot select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
2.5 KiB
2.5 KiB
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).