MachineLearning_PRY1# Proyecto de Machine Learning - Inteligencia Artificial 2025

📌 Descripción General

Este proyecto implementa varios modelos de aprendizaje automático utilizando PyTorch, siguiendo los lineamientos del curso de Inteligencia Artificial de la Universidad de Berkeley. Se han dividido en tres módulos, cada uno con un objetivo específico:

1. Perceptrón Binario: Implementa un clasificador lineal binario.
2. Regresión No Lineal: Entrena una red neuronal para aproximar la función sin(x).
3. Clasificación de Dígitos MNIST: Usa una red neuronal para clasificar imágenes de dígitos escritos a mano.

📂 Estructura del Proyecto

Proyecto_ML/
│── Perceptron_Binario/         # Implementación del Perceptrón
│── Regresion_No_Lineal/        # Implementación de la regresión no lineal
│── Clasificacion_Digitos_MNIST/ # Clasificación de dígitos MNIST
│── requirements.txt            # Dependencias del proyecto
│── autograder.py               # Script de evaluación automática
│── main.py                     # Punto de entrada general
│── .gitignore                   # Archivos a ignorar en Git
│── README.md                    # Documentación global

🛠️ Instalación de dependencias

Asegúrate de tener Python 3.8+ instalado y ejecuta:

pip install -r requirements.txt

🚀 Cómo ejecutar cada módulo

Cada carpeta tiene su propio README.md con instrucciones detalladas. Sin embargo, en general, puedes ejecutar:

🔹 Entrenar un modelo

cd NombreDelModulo
python train.py

Ejemplo:

cd Perceptron_Binario
python train.py

🔹 Probar un modelo

cd NombreDelModulo
python test.py

Ejemplo:

cd Clasificacion_Digitos_MNIST
python test.py

🔹 Ejecutar el evaluador automático

Para validar las implementaciones, usa:

python autograder.py -q qX

Donde qX es el número de la pregunta (1 para Perceptrón, 2 para Regresión, 3 para MNIST).

✅ Criterios de Evaluación

• Perceptrón: Debe alcanzar 100% precisión en el conjunto de entrenamiento.
• Regresión No Lineal: Debe lograr una pérdida ≤ 0.02.
• Clasificación MNIST: Debe obtener ≥ 97% precisión en el conjunto de prueba.

🏗️ Contribuciones y Colaboración

• Usa branching en Git para cada módulo.
• Cada cambio debe ser revisado mediante pull requests.
• Sigue el formato de codificación del curso.

💡 Consejo: Revisa los README.md individuales para más detalles sobre cada módulo. ¡Mucho éxito en la implementación! 🚀