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.
35 lines
2.5 KiB
Markdown
35 lines
2.5 KiB
Markdown
# 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). |