Universidad Autónoma de Nuevo León
Facultad de Ingeniería Mecánica y Eléctrica
Int. Artificial y Redes Neuronales
PRODUCTO INTEGRADOR DE APRENDIZAJE
Nombre Matricula Carrera
Joel Alonso Huitrón Varela 1967359 IMTC
María Angélica Ramírez Espericueta 2009245 IMTC
Nancy pamela plaza muñoz 1898628 IMTC
Othilia Jimena Flores Duarte 2052999 IMTC
Cristian Gael Alvarado Ayala 2005742 IMTC
Instructor: Ing. Daniel Isaías López Páez
Hora: N4
Grupo: 013
Día 23 de Mayo del 2025, San Nicolás de los Garza, Nuevo León
Objetivo. -
Realizar la implementación del proyecto final referente a la unidad de aprendizaje.
Introducción
En la actualidad, el análisis automatizado de contenido se ha vuelto una herramienta
esencial para garantizar entornos digitales seguros y saludables. En este contexto, el
presente proyecto se centra en el entrenamiento de una red neuronal convolucional
(CNN) diseñada específicamente para la detección de contenido tóxico. La
arquitectura implementada sigue un modelo Si-De (Sí o No), en el cual la red debe
emitir una respuesta binaria: 1 para indicar que el contenido es tóxico, y 0 para
señalar que es no tóxico.
El diseño de la red está compuesto por dos capas convolucionales, encargadas de
extraer y transformar las características más relevantes de los datos de entrada.
Estas capas actúan como filtros que detectan patrones visuales o espaciales, lo que
resulta crucial para la correcta clasificación de los contenidos. A diferencia de
modelos más complejos con múltiples salidas, en este caso se trabaja con una salida
dual, lo que simplifica el proceso de decisión pero exige una alta precisión en el
aprendizaje.
Para el entrenamiento del modelo se utiliza un conjunto de datos diverso que incluye
videos, datasets estructurados y imágenes. Esta combinación permite al sistema
aprender desde múltiples fuentes y perspectivas, enriqueciendo así su capacidad de
generalización. Los datos han sido previamente etiquetados como tóxicos o no
tóxicos, lo cual permite aplicar técnicas de aprendizaje supervisado durante el
entrenamiento.
El objetivo principal es que la red neuronal sea capaz de aprender a identificar
indicadores de toxicidad, como lenguaje ofensivo, imágenes violentas, expresiones
discriminatorias o cualquier otro patrón que se considere perjudicial para los
usuarios. Este tipo de tecnología tiene un enorme potencial para ser aplicada en
plataformas sociales, foros en línea, servicios de video y otras áreas donde el
contenido generado por los usuarios requiere moderación constante.
En resumen, el proyecto propone un enfoque eficiente y preciso para la clasificación
binaria de contenido mediante una red neuronal convolucional de dos capas,
entrenada con distintos tipos de datos, con el fin de contribuir al desarrollo de
sistemas inteligentes de detección de toxicidad en entornos digitales.
Metodología
REPOSITORIO: [Link]
ARTIFICIAL/blob/e63fa8882c1c3561a6403029534c4fcca6d7428f/[Link]
[Link]
Y?usp=sharing
Resultados
• Presentación de propuesta de proyecto en formato pdf.
[Link]
utm_content=DAGjWYpd0AQ&utm_campaign=designshare&utm_medium=link2&
utm_source=sharebutton
• Poster científico con la estructura mencionada en formato pdf.
• Prototipo de proyecto funcional (mostrar en clase).
MATERIALES:
1. 2 SENSORES ULTRASONICOS
2. 2 SERVOMOTORES SG90
3. PROTOBOARD
4. ARDUINO UNO
5. FUENTE DE ALIMENTACION EXTERNA 5V
Conclusión
A lo largo del desarrollo de este proyecto se demostró la efectividad del uso de
una red neuronal convolucional (CNN) con dos capas convolucionales para
la clasificación binaria de contenido como tóxico (1) o no tóxico (0). Al
implementar un modelo de tipo Si-De, se logró simplificar la salida del
sistema sin comprometer la capacidad del modelo para identificar patrones
complejos en los datos.
La combinación de videos, datasets estructurados e imágenes como
fuentes de entrada permitió entrenar un sistema robusto y capaz de
generalizar, enfrentando distintos tipos de datos con un alto nivel de precisión.
Las capas convolucionales fueron claves para extraer las características
visuales más relevantes, lo que fortaleció la capacidad predictiva del modelo.
Este enfoque no solo confirma el valor de las redes neuronales
convolucionales en tareas de detección automática, sino que también
evidencia su aplicabilidad en contextos reales donde la moderación de
contenido es crítica. El sistema desarrollado sienta las bases para futuras
mejoras, como el uso de capas adicionales, técnicas de regularización o
integración con procesamiento de lenguaje natural (NLP) para una
clasificación aún más precisa.
Referencias
[Link]