Proyecto Final 2025-1: AI Neural Network

CS2013 Programación III · Informe Final

Descripción

Implementación de una red neuronal multicapa en C++ para clasificación de dígitos manuscritos.

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:

  • Ameri Ingaruca, Fabiana Antonell (202410119)

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. Historia y evolución de las NNs.
  2. Principales arquitecturas: MLP, CNN, RNN.
  3. Algoritmos de entrenamiento: backpropagation, optimizadores.

---

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/
  ├── src/
  │   ├── layers/
  │   ├── optimizers/
  │   └── main.cpp
  ├── tests/
  └── docs/
  

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.

---

4. Análisis del rendimiento

• Métricas de ejemplo:

  • Iteraciones: 1000 épocas.
  • Tiempo total de entrenamiento: 2m30s.
  • Precisión final: 92.5%.

• Ventajas/Desventajas:

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

• Mejoras futuras:

  • Uso de BLAS para multiplicaciones (Justificación).
  • Paralelizar entrenamiento por lotes (Justificación).

---

Actualizar con tareas y nombres reales.

---

5. Conclusiones

• Logros: Implementar NN desde cero, validar en dataset de ejemplo.
• Evaluación: Calidad y rendimiento adecuados para propósito académico.
• Aprendizajes: Profundización en backpropagation y optimización.
• Recomendaciones: Escalar a datasets más grandes y optimizar memoria.

Licencia

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

---