Proyecto Final 2025-1: AI Neural Network

CS2013 Programación III · Informe Final

Descripción

Implementación de una red neuronal multicapa en C++ desde cero, enfocada en resolver un problema de clasificación binaria en un espacio bidimensional. El modelo debe aprender a determinar si un punto (x, y) pertenece o no a una región con forma de anillo.

La región está definida por dos radios: r_min y r_max, clasificando como clase 1 aquellos puntos que cumplen la condición:

r_min² < x² + y² < r_max²

Por ejemplo, con r_min = 0.5 y r_max = 1.0, los puntos válidos se ubican en el rango:

0.25 < x² + y² < 1.0

Entradas: 2 valores (x, y)

Salida esperada: 1 valor (0 = fuera del anillo, 1 = dentro del anillo)

Ventaja: Se puede graficar fácilmente tanto el dataset como las predicciones del modelo.

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: group_3_custom_name

• Integrantes:

  • Fatima Isabella Pacheco Vera – 202410182 (Responsable de investigación teórica)
  • Daniela Valentina Villacorta Sotelo – 202410253 (Desarrollo de la arquitectura)La
  • Valentin Tuesta – 202410251 (Implementación del modelo)
  • Emma Anderson Gonzalez – 202410607 (Pruebas y benchmarking)
  • Alumno E – 209900005 (Documentación y demo)

Nota: Reemplazar nombres y roles reales.

---

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/EJEMPLO/proyecto-final.git
   cd proyecto-final
   mkdir build && cd build
   cmake ..
   make

Ejemplo de repositorio y comandos, ajustar según proyecto.

---

1. Investigación teórica

• Objetivo: Explorar fundamentos y arquitecturas de redes neuronales.
• Contenido de ejemplo:

1. Fundamentos de redes neuronales artificiales

2. Clasificación binaria y no lineal

3. Funciones de activación (ReLU, Sigmoid)

4. Algoritmo de retropropagación

5. Uso de redes densas en tareas de separación geométrica

---

2. Diseño e implementación

2.1 Arquitectura de la solución

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

proyecto-final/
├── data/
│   └── dataset.csv
├── src/
│   ├── include/
│   │   ├── neural_network.h
│   │   ├── nn_activation.h
│   │   ├── nn_dense.h
│   │   ├── nn_interfaces.h
│   │   ├── nn_loss.h
│   │   ├── nn_optimizer.h
│   │   └── tensor.h
│   └── main.cpp
├── tools/
│   └── gen_dataset.cpp
├── .gitignore
├

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.

Personalizar rutas, comandos y casos reales.

---

3. Ejecución

Demo de ejemplo: Video/demo alojado en docs/demo.mp4. Pasos:

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

---

La

4. Análisis del rendimiento

• Métricas de ejemplo:

  • Iteraciones: 1000 épocas.
  • Tiempo total de entrenamiento: 63.5892 segundos
  • Precisión final: 71.65%.

• Ventajas/Desventajas:

  • • Código ligero y dependencias mínimas.
  • – Sin paralelización, rendimiento limitado.

• Mejoras futuras:

  • Implementar visualización integrada en C++

---

5. Trabajo en equipo

Tarea	Miembro	Rol
Investigación teórica	Fatima	Documentación y marco teórico
Diseño de arquitectura	Daniela	Organización de archivos y clases
Lógica del clasificador	Valentin	Implementación de red y condición
Pruebas y benchmarking	Emma	Métricas y validación final
Documentación y dataset	Alumno E	README y generación de datos

---

6. Conclusiones

Se logró construir un clasificador funcional basado en red neuronal que diferencia puntos dentro o fuera de una región en forma de anillo.

El proyecto permitió afianzar conocimientos sobre retropropagación, estructuras modulares y compilación avanzada en C++.

El trabajo colaborativo fue clave para dividir responsabilidades y mantener un flujo ordenado de desarrollo.

---

7. Bibliografía

Actualizar con bibliografia utilizada, al menos 4 referencias bibliograficas y usando formato IEEE de referencias bibliograficas.

---

Licencia

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

---