SLNDeepLearning

Este proyecto proporciona una infraestructura base para experimentos de Deep Learning y Machine Learning, integrando un sistema de configuración centralizado, una interfaz gráfica interactiva y un clasificador neuronal configurable.

Documentación Rápida

Si quieres entender el flujo sin leer primero el código, empieza por GUIA_ARQUITECTURA.md. Ahí se resume la entrada principal, el preprocesamiento, el entrenamiento y la exportación del modelo.

Requisitos Previos

• Python 3.11.
• Pip (gestor de paquetes de Python).

Instalación y Configuración

Para mantener un entorno limpio y evitar conflictos de librerías, se recomienda el uso de un entorno virtual:

1. Clonar o acceder al directorio del proyecto:

   cd c:\Users\Juan\source\repos\SLNDeepLearning

2. Crear un entorno virtual:

   python -m venv venv

3. Activar el entorno virtual:

   • Windows:

     .\venv\Scripts\activate

   • macOS/Linux:

     source venv/bin/activate

4. Instalar las dependencias necesarias:

   pip install -r requirements.txt

Ejecución

El proyecto utiliza Streamlit para la interfaz gráfica. Para iniciar el panel de control, ejecuta desde la raíz del proyecto:

streamlit run app.py

🆕 Diagnóstico de Modelos con IA

Después de entrenar un modelo, puedes generar un diagnóstico en lenguaje no técnico usando Groq API:

• 📊 Explicaciones simples para cualquier persona
• 🤖 Powered by Groq (IA ultrarrápida)
• ✅ Sin tecnicismos confusos

Para usar esta función:

1. Obtén una API Key gratis en: https://console.groq.com
2. Configura tu clave (ver GUIA_DIAGNOSTICO_IA.md)
3. Entrena un modelo en "Análisis Avanzado"
4. Genera el diagnóstico automáticamente

Más detalles en GUIA_DIAGNOSTICO_IA.md

El navegador se abrirá automáticamente en http://localhost:8501 donde podrás cargar datos, explorarlos, entrenar el modelo y descargar los artefactos.

Configuración de Hiperparámetros

Puedes modificar los valores por defecto editando el archivo config/appsettings.json. El cargador de configuración (config_loader.py) leerá automáticamente estos cambios al iniciar la aplicación.

Componentes Principales

• app.py — Entrypoint único; orquesta la UI y el flujo de entrenamiento
• config/processor.py — Limpieza, imputación y codificación de datos
• config/ann_service.py — Red neuronal: preproceso, construcción, entrenamiento y evaluación
• config/visualizer.py — Gráficos e iteractivos
• config/config_loader.py — Lee config/appsettings.json