Proyecto Final 2025-1: AI Neural Network

CS2013 Programación III · Informe Final

Descripción

Pong AI es un proyecto académico desarrollado en C++ que tiene como objetivo crear un agente inteligente capaz de aprender a jugar el clásico videojuego Pong a través del entrenamiento con una red neuronal multicapa. A diferencia de soluciones que dependen de librerías externas, este proyecto implementa desde cero:

• Una biblioteca algebraica genérica (Tensor<T, Rank>) similar a NumPy, que permite operar con tensores multidimensionales.

• Un framework de redes neuronales minimalista, incluyendo capas densas, funciones de activación, cálculo de pérdida y optimización.

• Un entorno de simulación simplificado (EnvGym) que modela las físicas básicas del juego Pong.

• Un agente de decisión (PongAgent) que utiliza la red neuronal entrenada para actuar y mejorar en tiempo real.

Este proyecto no solo busca demostrar el aprendizaje por refuerzo en un entorno sencillo, sino también reforzar habilidades de diseño modular, patrones de software y programación genérica en C++20.

Contenidos

1. Datos generales
2. Requisitos e instalación
3. Investigación teórica
4. Diseño e implementación
5. Ejecución
6. Análisis del rendimiento
7. Trabajo en equipo
8. Conclusiones
9. Bibliografía
10. Licencia

---

Datos generales

• Tema: Redes Neuronales en AI

• Grupo: Coderaiders

• Integrantes:

  • Alumno A – Benalcázar Ferro, José Ignacio (Responsable de investigación teórica)
  • Alumno B – Luciani Dávila, Itzel Yadira Arellys (Desarrollo de la arquitectura)
  • Alumno C – Cervantes Ordóñez, Jireh Eliseo (Implementación del modelo y Pruebas)
  • Alumno D – Cabanillas Solis, Joseph Jossemy (Documentación y demo)

---

Requisitos e instalación

1. Compilador: GCC 11 o superior

2. Dependencias:

   • CMake 3.18+
   • Eigen 3.4
   • [Otra librería opcional]

3. Instalación:

   git clone https://github.com/ItzelLuci/projecto-final-coderaiders.git
   cd proyecto-final
   mkdir build && cd build
   cmake ..
   make

---

1. Investigación teórica

• Objetivo: Explorar fundamentos y arquitecturas de redes neuronales a través del estudio de múltiples modelos y conceptos principales.

• Contenido de ejemplo:

  1. Historia y evolución de las NNs.

     • 1943: McCulloch y Pitts crean el primer modelo de neurona artificial.

     • 1958: Rosenblatt presenta el perceptrón, pero es limitado (no resuelve XOR).

     • 1986: Se redescubre el algoritmo de retropropagación, permitiendo entrenar redes multicapa.

     • 2010s: Surgen las redes profundas (deep learning), impulsadas por grandes datos y GPUs.

     • Hoy: Las NNs se aplican en visión, lenguaje, salud, juegos, etc.

  2. Principales arquitecturas: MLP, CNN, RNN.

     MLP (Multilayer Perceptron): Redes con varias capas densas, útiles en tareas generales de clasificación y regresión.

     CNN (Convolutional Neural Network): Extraen características espaciales, ideales para imágenes y visión por computadora.

     RNN (Recurrent Neural Network): Procesan datos secuenciales como texto o series de tiempo. LSTM y GRU mejoran su memoria.

  3. Algoritmos de entrenamiento: backpropagation, optimizadores.

     Backpropagation: Calcula cómo ajustar los pesos para reducir el error, usando derivadas y la regla de la cadena.

     Optimización: Algoritmos que usan esos gradientes para mejorar la red.

     • SGD: Método básico
     • Adam: El más usado por su rapidez y adaptabilidad
     • Otros: Momentum, RMSprop

---

2. Diseño e implementación

2.1 Arquitectura de la solución

• Patrones de diseño: ejemplo: Factory para capas, Strategy para optimizadores.
• Estructura de carpetas:

pong_ai/
├── docs/                        # Documentación
│   ├── BIBLIOGRAFIA
│   └── README.md
├── include/
│   └── utec/
│       ├── agent/               # Agente Pong y entorno
│       │   ├── EnvGym.h
│       │   └── PongAgent.h
│       ├── algebra/            # Operaciones algebraicas
│       │   └── Tensor.h
│       └── nn/                 # Red neuronal
│           ├── activation.h
│           ├── dense.h
│           ├── layer.h
│           ├── loss.h
│           └── neural_network.h
├── src/                         # Implementación
│   └── utec/
│       └── agent/
│           ├── EnvGym.cpp
│           └── PongAgent.cpp
├── tests/                       # Casos de prueba
│   ├── test_agent_env.cpp
│   ├── test_neural_network.cpp
│   └── test_tensor.cpp
└── main.cpp                     # Punto de entrada

2.2 Manual de uso y casos de prueba

• Cómo ejecutar: ./build/neural_net_demo input.csv output.csv

• Casos de prueba:

  • Test unitario de capa densa.
  • Test de función de activación ReLU.
  • Test de convergencia en dataset de ejemplo.

---

3. Ejecución

Video de la Demo: https://youtu.be/0Ght-OM8mMA

Pasos:

1. Preparar datos de entrenamiento (formato CSV).
2. Ejecutar comando de entrenamiento.
3. Evaluar resultados con script de validación.

---

4. Análisis del rendimiento

• Análisis del rendimiento

Iteraciones: 1000 épocas Tiempo de entrenamiento: 20 segundos Precisión final: 70-80%

• Ventajas: Buen rendimiento con datos reducidos (XOR) Red ligera y fácil de adaptar, adecuada para el contexto de entrenamiento en Pong

• Desventajas: Entrenamientos con batch sizes altos generan tiempos de espera largos. En el entrenamiento on-policy, el aprendizaje es muy dependiente de la calidad de la recompensa.

• Mejoras futuras: Implementar operaciones matemáticas como BLAS o Eigen para mejorar el rendimiento en contextos con mayor volumen de datos o mayor cantidad de parámetros. Implementar técnicas de regularización o exploración como epsilon-greedy para ejecutar un entrenamiento más generalizado y evitar así problemas de overfitting que empeoren la precisión del sistema al generalizar a datos nuevos dentro de contextos más complejos.

---

5. Trabajo en equipo

Tarea	Miembro	Rol
Investigación teórica	Alumno A	Documentar bases teóricas
Diseño de la arquitectura	Alumno B	UML y esquemas de clases
Implementación del modelo	Alumno C	Código C++ de la NN
Pruebas y benchmarking	Alumno C	Generación de métricas
Documentación y demo	Alumno D	Tutorial y video demo

---

6. Conclusiones

El proceso de propagación hacia adelante (forward pass) y retropropagación (backward pass) permite ajustar los pesos y sesgos de la red para optimizar su rendimiento.

Dividir el proyecto en módulos independientes es importante para garantizar un código escalable y fácil de mantener. Sin embargo, podríamos extender el código mediante patrones como Dependency Injection para desacoplar más cada capa.

---

7. Bibliografía

• Blog, G. (2020, 5 julio). The Evolution and Core Concepts of Deep Learning & Neural Networks. Analytics Vidhya. https://www.analyticsvidhya.com/blog/2016/08/evolution-core-concepts-deep-learning-neural-networks

• David, D. S. (2024). Aplicación de deep learning para predicción de índices bursátiles extranjeros usando modelos multivariados recurrentes y convolucionales con mecanismos de atención. repositorio.uchile.cl. https://doi.org/10.58011/nymx-3240

---

Licencia

Este proyecto usa la licencia MIT. Ver LICENSE para detalles.

---