Indicaciones Generales:

- El informe debe ser elaborado en duplas.

- Debe entregarse en formato PDF y respetar las normas de presentación

académica.

- Utilizar tipografía Arial 11, int Indicaciones

Generales:
- El informe debe ser elaborado en duplas.

- Debe entregarse en formato PDF y respetar las normas de presentación

académica.

- Utilizar tipografía Arial 11, interlineado 1.5 y márgenes de 2.5 cm.

- Incluir portada con el título del trabajo, nombres de los integrantes,

asignatura y fecha de entrega.

- La evaluación se realizará mediante una escala de apreciación.

Estructura del Informe

1. Introducción (10%)
- Descripción general del aprendizaje automático y su importancia.

El Algoritmo Automatico es un proceso por el cual los sistemas informáticos utilizan algoritmos y
redes neuronales para "aprender" de grandes conjuntos de datos y tomar decisiones basadas en
esos patrones

- Objetivo del informe.

Su importancia reside en su capacidad para identificar patrones, predecir resultados y automatizar

tareas complejas, lo que lleva a una mayor eficiencia, productividad y satisfacción del cliente,
ayudando a las empresas a mantenerse competitivas en un mundo cada vez más impulsado por
los datos.

- Contexto del problema a resolver.

Detectar cambios ambientales

2. Marco Teórico (20%)

- Explicación de los tipos de aprendizaje automático existentes.
Supervisado, que usa datos etiquetados; no supervisado, que encuentra patrones en datos sin
etiquetar; semisupervisado, que combina ambos enfoques; y por refuerzo, donde el sistema
aprende mediante recompensas y penalizaciones en un entorno.

- Definición y funcionamiento de las redes neuronales.

Una red neuronal es un sistema computacional inspirado en el cerebro humano, formado por
nodos interconectados (neuronas artificiales) organizados en capas, que aprende de los datos para
reconocer patrones y realizar tareas complejas sin programación explícita. Su funcionamiento
implica la entrada de datos a la capa de entrada, su procesamiento a través de capas ocultas
(donde las neuronas se activan según sus ponderaciones y funciones de activación) y la generación
de una salida en la capa final.

- Importancia del aprendizaje supervisado en la clasificación de

imágenes.

3. Desarrollo y Metodología (30%)

- Descripción de los pasos necesarios para entrenar una solución basada en
aprendizaje supervisado.

 Definición del problema: establecer la tarea a resolver (clasificación, regresión, etc.).

 Recolección de datos: obtener un conjunto de datos representativo y de calidad.

 Preprocesamiento de datos: limpieza, normalización, codificación de variables categóricas

y división en conjuntos de entrenamiento, validación y prueba.

 Selección del modelo: escoger un algoritmo o arquitectura (por ejemplo, una red neuronal
profunda para clasificación de imágenes).

 Entrenamiento del modelo: alimentar los datos de entrada con sus etiquetas para ajustar
los parámetros del modelo mediante retropropagación.

 Evaluación del modelo: calcular métricas de desempeño (accuracy, precisión, recall, F1,
RMSE, según el tipo de problema).

 Ajuste de hiperparámetros: optimizar variables como tasa de aprendizaje, número de

capas, tamaño de lote, épocas, etc.
  Implementación y despliegue: integrar el modelo entrenado en la aplicación final.

- Explicación detallada del proceso de entrenamiento de la red neuronal.

 Inicialización: los pesos de la red se asignan de manera aleatoria o siguiendo técnicas

como Xavier o He initialization.

 Propagación hacia adelante (forward pass): los datos de entrada atraviesan las capas,
aplicando transformaciones lineales y funciones de activación (ReLU, sigmoid, tanh).

 Cálculo de la función de pérdida: se mide la diferencia entre la predicción y el valor real

(ejemplo: categorical cross-entropy para clasificación multiclase).

 Retropropagación (backpropagation): se calculan los gradientes de la pérdida respecto a

los pesos y se propagan hacia atrás.

 Optimización: se actualizan los parámetros mediante algoritmos como Stochastic

Gradient Descent (SGD), Adam o RMSProp.

 Iteración (épocas): este proceso se repite varias veces hasta minimizar la función de
pérdida y alcanzar un desempeño óptimo en los datos de validación.

- Datos utilizados (fuente, características, preprocesamiento).

 Fuente de datos: (ejemplo: base de datos pública [Kaggle, UCI, datos propios de sensores,
encuestas, etc.]).

 Características: descripción de las variables (numéricas, categóricas, imágenes, texto).

 Preprocesamiento:

 Limpieza de valores faltantes o atípicos.

 Normalización o estandarización de valores numéricos.

 One-hot encoding para variables categóricas.

  Aumento de datos (data augmentation) en el caso de imágenes.

 División en train set (70%), validation set (15%), y test set (15%).

- Algoritmos y herramientas empleadas.

 Algoritmos: redes neuronales feed-forward, CNN (si se trata de imágenes), RNN/LSTM (si
son secuencias), o MLP (para datos tabulares).

 Herramientas:

 Lenguajes: Python.

 Librerías: TensorFlow, Keras, PyTorch, Scikit-learn, NumPy, Pandas, Matplotlib.

 Entornos: Google Colab, Jupyter Notebook, o servidores con GPU/TPU.

4. Resultados y Análisis (20%)

- Presentación de los resultados obtenidos.

- Evaluación del desempeño de la red neuronal.

- Interpretación de los resultados y análisis crítico.

5. Conclusiones y Recomendaciones (10%)

- Reflexión sobre el proceso y aprendizaje adquirido.

- Limitaciones y posibles mejoras.

6. Bibliografía (10%)
- Citar todas las fuentes utilizadas en formato APA o IEEE.

Observaciones:
- La evaluación del informe se realizará de manera grupal.

- Se penalizarán los informes con contenido plagiado.

- La calidad de redacción y presentación será considerada en la calificación
final.

**Porcentaje de la Nota Parcial:** 15%

Indicaciones Generales:
- El informe debe ser elaborado en duplas.

- Debe entregarse en formato PDF y respetar las normas de presentación

académica.

- Utilizar tipografía Arial 11, interlineado 1.5 y márgenes de 2.5 cm.

- Incluir portada con el título del trabajo, nombres de los integrantes,

asignatura y fecha de entrega.

- La evaluación se realizará mediante una escala de apreciación.

Estructura del Informe

1. Introducción (10%)
- Descripción general del aprendizaje automático y su importancia.

El Algoritmo Automatico es un proceso por el cual los sistemas informáticos utilizan algoritmos y
redes neuronales para "aprender" de grandes conjuntos de datos y tomar decisiones basadas en
esos patrones

- Objetivo del informe.

Su importancia reside en su capacidad para identificar patrones, predecir resultados y automatizar

tareas complejas, lo que lleva a una mayor eficiencia, productividad y satisfacción del cliente,
ayudando a las empresas a mantenerse competitivas en un mundo cada vez más impulsado por
los datos.

- Contexto del problema a resolver.

Detectar cambios ambientales

2. Marco Teórico (20%)

- Explicación de los tipos de aprendizaje automático existentes.
Supervisado, que usa datos etiquetados; no supervisado, que encuentra patrones en datos sin
etiquetar; semisupervisado, que combina ambos enfoques; y por refuerzo, donde el sistema
aprende mediante recompensas y penalizaciones en un entorno.

- Definición y funcionamiento de las redes neuronales.

Una red neuronal es un sistema computacional inspirado en el cerebro humano, formado por
nodos interconectados (neuronas artificiales) organizados en capas, que aprende de los datos para
reconocer patrones y realizar tareas complejas sin programación explícita. Su funcionamiento
implica la entrada de datos a la capa de entrada, su procesamiento a través de capas ocultas
(donde las neuronas se activan según sus ponderaciones y funciones de activación) y la generación
de una salida en la capa final.

- Importancia del aprendizaje supervisado en la clasificación de

imágenes.

3. Desarrollo y Metodología (30%)

- Descripción de los pasos necesarios para entrenar una solución basada en
aprendizaje supervisado.

 Definición del problema: establecer la tarea a resolver (clasificación, regresión, etc.).

 Recolección de datos: obtener un conjunto de datos representativo y de calidad.

 Preprocesamiento de datos: limpieza, normalización, codificación de variables categóricas

y división en conjuntos de entrenamiento, validación y prueba.

 Selección del modelo: escoger un algoritmo o arquitectura (por ejemplo, una red neuronal
profunda para clasificación de imágenes).

 Entrenamiento del modelo: alimentar los datos de entrada con sus etiquetas para ajustar
los parámetros del modelo mediante retropropagación.

 Evaluación del modelo: calcular métricas de desempeño (accuracy, precisión, recall, F1,
RMSE, según el tipo de problema).

 Ajuste de hiperparámetros: optimizar variables como tasa de aprendizaje, número de

capas, tamaño de lote, épocas, etc.
  Implementación y despliegue: integrar el modelo entrenado en la aplicación final.

- Explicación detallada del proceso de entrenamiento de la red neuronal.

 Inicialización: los pesos de la red se asignan de manera aleatoria o siguiendo técnicas

como Xavier o He initialization.

 Propagación hacia adelante (forward pass): los datos de entrada atraviesan las capas,
aplicando transformaciones lineales y funciones de activación (ReLU, sigmoid, tanh).

 Cálculo de la función de pérdida: se mide la diferencia entre la predicción y el valor real

(ejemplo: categorical cross-entropy para clasificación multiclase).

 Retropropagación (backpropagation): se calculan los gradientes de la pérdida respecto a

los pesos y se propagan hacia atrás.

 Optimización: se actualizan los parámetros mediante algoritmos como Stochastic

Gradient Descent (SGD), Adam o RMSProp.

 Iteración (épocas): este proceso se repite varias veces hasta minimizar la función de
pérdida y alcanzar un desempeño óptimo en los datos de validación.

- Datos utilizados (fuente, características, preprocesamiento).

 Fuente de datos: (ejemplo: base de datos pública [Kaggle, UCI, datos propios de sensores,
encuestas, etc.]).

 Características: descripción de las variables (numéricas, categóricas, imágenes, texto).

 Preprocesamiento:

 Limpieza de valores faltantes o atípicos.

 Normalización o estandarización de valores numéricos.

 One-hot encoding para variables categóricas.

  Aumento de datos (data augmentation) en el caso de imágenes.

 División en train set (70%), validation set (15%), y test set (15%).

- Algoritmos y herramientas empleadas.

 Algoritmos: redes neuronales feed-forward, CNN (si se trata de imágenes), RNN/LSTM (si
son secuencias), o MLP (para datos tabulares).

 Herramientas:

 Lenguajes: Python.

 Librerías: TensorFlow, Keras, PyTorch, Scikit-learn, NumPy, Pandas, Matplotlib.

 Entornos: Google Colab, Jupyter Notebook, o servidores con GPU/TPU.

4. Resultados y Análisis (20%)

- Presentación de los resultados obtenidos.

- Evaluación del desempeño de la red neuronal.

- Interpretación de los resultados y análisis crítico.

5. Conclusiones y Recomendaciones (10%)

- Reflexión sobre el proceso y aprendizaje adquirido.

- Limitaciones y posibles mejoras.

6. Bibliografía (10%)
- Citar todas las fuentes utilizadas en formato APA o IEEE.

Observaciones:
- La evaluación del informe se realizará de manera grupal.

- Se penalizarán los informes con contenido plagiado.

- La calidad de redacción y presentación será considerada en la calificación
final.

**Porcentaje de la Nota Parcial:** 15%

erlineado 1.5 y márgenes de 2.5 cm.

- Incluir portada con el título del trabajo, nombres de los integrantes,

asignatura y fecha de entrega.

- La evaluación se realizará mediante una escala de apreciación.

Estructura del Informe

1. Introducción (10%)
- Descripción general del aprendizaje automático y su importancia.

El Algoritmo Automatico es un proceso por el cual los sistemas informáticos utilizan algoritmos y
redes neuronales para "aprender" de grandes conjuntos de datos y tomar decisiones basadas en
esos patrones

- Objetivo del informe.

Su importancia reside en su capacidad para identificar patrones, predecir resultados y automatizar

tareas complejas, lo que lleva a una mayor eficiencia, productividad y satisfacción del cliente,
ayudando a las empresas a mantenerse competitivas en un mundo cada vez más impulsado por
los datos.

- Contexto del problema a resolver.

Detectar cambios ambientales

2. Marco Teórico (20%)

- Explicación de los tipos de aprendizaje automático existentes.

Supervisado, que usa datos etiquetados; no supervisado, que encuentra patrones en datos sin
etiquetar; semisupervisado, que combina ambos enfoques; y por refuerzo, donde el sistema
aprende mediante recompensas y penalizaciones en un entorno.
- Definición y funcionamiento de las redes neuronales.

Una red neuronal es un sistema computacional inspirado en el cerebro humano, formado por
nodos interconectados (neuronas artificiales) organizados en capas, que aprende de los datos para
reconocer patrones y realizar tareas complejas sin programación explícita. Su funcionamiento
implica la entrada de datos a la capa de entrada, su procesamiento a través de capas ocultas
(donde las neuronas se activan según sus ponderaciones y funciones de activación) y la generación
de una salida en la capa final.

- Importancia del aprendizaje supervisado en la clasificación de

imágenes.

3. Desarrollo y Metodología (30%)

- Descripción de los pasos necesarios para entrenar una solución basada en
aprendizaje supervisado.

 Definición del problema: establecer la tarea a resolver (clasificación, regresión, etc.).

 Recolección de datos: obtener un conjunto de datos representativo y de calidad.

 Preprocesamiento de datos: limpieza, normalización, codificación de variables categóricas

y división en conjuntos de entrenamiento, validación y prueba.

 Selección del modelo: escoger un algoritmo o arquitectura (por ejemplo, una red neuronal
profunda para clasificación de imágenes).

 Entrenamiento del modelo: alimentar los datos de entrada con sus etiquetas para ajustar
los parámetros del modelo mediante retropropagación.

 Evaluación del modelo: calcular métricas de desempeño (accuracy, precisión, recall, F1,
RMSE, según el tipo de problema).

 Ajuste de hiperparámetros: optimizar variables como tasa de aprendizaje, número de

capas, tamaño de lote, épocas, etc.

 Implementación y despliegue: integrar el modelo entrenado en la aplicación final.

- Explicación detallada del proceso de entrenamiento de la red neuronal.

 Inicialización: los pesos de la red se asignan de manera aleatoria o siguiendo técnicas

como Xavier o He initialization.

 Propagación hacia adelante (forward pass): los datos de entrada atraviesan las capas,
aplicando transformaciones lineales y funciones de activación (ReLU, sigmoid, tanh).

 Cálculo de la función de pérdida: se mide la diferencia entre la predicción y el valor real

(ejemplo: categorical cross-entropy para clasificación multiclase).

 Retropropagación (backpropagation): se calculan los gradientes de la pérdida respecto a

los pesos y se propagan hacia atrás.

 Optimización: se actualizan los parámetros mediante algoritmos como Stochastic

Gradient Descent (SGD), Adam o RMSProp.

 Iteración (épocas): este proceso se repite varias veces hasta minimizar la función de
pérdida y alcanzar un desempeño óptimo en los datos de validación.

- Datos utilizados (fuente, características, preprocesamiento).

 Fuente de datos: (ejemplo: base de datos pública [Kaggle, UCI, datos propios de sensores,
encuestas, etc.]).

 Características: descripción de las variables (numéricas, categóricas, imágenes, texto).

 Preprocesamiento:

 Limpieza de valores faltantes o atípicos.

 Normalización o estandarización de valores numéricos.

 One-hot encoding para variables categóricas.

 Aumento de datos (data augmentation) en el caso de imágenes.

 División en train set (70%), validation set (15%), y test set (15%).
- Algoritmos y herramientas empleadas.

 Algoritmos: redes neuronales feed-forward, CNN (si se trata de imágenes), RNN/LSTM (si
son secuencias), o MLP (para datos tabulares).

 Herramientas:

 Lenguajes: Python.

 Librerías: TensorFlow, Keras, PyTorch, Scikit-learn, NumPy, Pandas, Matplotlib.

 Entornos: Google Colab, Jupyter Notebook, o servidores con GPU/TPU.

4. Resultados y Análisis (20%)

- Presentación de los resultados obtenidos.

- Evaluación del desempeño de la red neuronal.

- Interpretación de los resultados y análisis crítico.

5. Conclusiones y Recomendaciones (10%)

- Reflexión sobre el proceso y aprendizaje adquirido.

- Limitaciones y posibles mejoras.

6. Bibliografía (10%)
- Citar todas las fuentes utilizadas en formato APA o IEEE.

Observaciones:
- La evaluación del informe se realizará de manera grupal.

- Se penalizarán los informes con contenido plagiado.

- La calidad de redacción y presentación será considerada en la calificación

final.

**Porcentaje de la Nota Parcial:** 15%