README

Proyecto Final 2025-1: Brain Ager

CS2013 Programación III · Informe Final

Descripción

Recreación del minijuego de matemáticas de Brain-Age usando redes neuronales en C++ para la identificación de dígitos.

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: Red Neuronal intérprete de imágenes
• Grupo: turinmachin
• Integrantes:
  • Grayson Tejada, José Daniel – 202410372 ()
  • Lopez Del Carpio, Joaquin Adrian – 202410220 ()
  • Figueroa Winkelried, Diego Alonso – 202410533 ()
  • Valladolid Jimenes, Gonzalo Andrés – 202410186 ()
  • Walde Verano, Matías Sebastian – 202410626 ()

---

Requisitos e instalación

1. Compilador: GCC 14+
2. Dependencias:
   • CMake 3.29+
   • pkg-config 0.29+
   • SDL3
   • SDL3_ttf
   • catch2_3

3. Instalación:

   git clone https://github.com/CS1103/projecto-final-turinmachin
   cd projecto-final-turinmachin
   cmake -S . -B build
   cd build
   cmake --build .
   ./brain_ager

---

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: Factory para ecuaciones del juego, Registry para capas.

• Estructura de carpetas:

  projecto-final-turinmachin
  ├── docs/
  ├── doxy.conf
  ├── CMakeLists.txt
  ├── config.h.in
  ├── default.nix
  ├── shell.nix
  ├── flake.nix
  ├── flake.lock
  ├── deps/
  │   └── catch/
  ├── include
  │   ├── common/
  │   ├── game/
  │   │   ├── math/
  │   │   └── sdl/
  │   ├── trainer/
  │   └── utec/
  │       ├── algebra/
  │       ├── nn/
  │       └── utils/
  ├── LICENSE
  ├── README.md
  ├── share/
  ├── src/
  │   ├── common/
  │   ├── game/
  │   │   ├── math/
  │   │   └── sdl/
  │   ├── trainer/
  │   └── trainer_kan/
  └── tests/

2.2 Manual de uso y casos de prueba

• Cómo ejecutar: ./build/brain_ager
• Casos de prueba:
  • Test unitario de capa Dense, al verificar que una capa Dense y una capa de activación Sigmoid produce una salida del tamaño correcto y con valores entre 0 y 1, validando la propagación hacia adelante.
  • Test de función de activación ReLU, para aproximar funciones lineales $(f(x) = 2x)$, no lineales $(f(x) = x^2)$ y periódicas $(f(x) = sin(x))$, evaluando que la salida predicha se acerca suficientemente al valor esperado.
  • Se entrena una red con múltiples épocas sobre el dataset XOR. Se valida que la función de pérdida disminuye y que los resultados se ajustan a los valores esperados ($<0.2$ para $0$ y $>0.8$ para $1$).
  • Verifica que una red neuronal sin capas devuelve exactamente el mismo tensor que recibe como entrada.

---

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).

---

5. Trabajo en equipo

Tarea	Miembro	Rol
Investigación teórica	Alumno A	Documentar bases teóricas
Diseño de la arquitectura	Alumno B	UML y esquemas de clases
Implementación del modelo	Alumno C	Código C++ de la NN
Pruebas y benchmarking	Alumno D	Generación de métricas
Documentación y demo	Alumno E	Tutorial y video demo

Actualizar con tareas y nombres reales.

---

6. 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.

---

7. Bibliografía

Actualizar con bibliografía utilizada, al menos 4 referencias bibliográficas y usando formato IEEE de referencias bibliográficas.

---

Licencia

Este proyecto usa la licencia MIT. Ver [LICENSE](LICENSE) para detalles.

---