El problema

Una red densa trata cada píxel como independiente y pierde la estructura espacial de la imagen. Las CNN detectan patrones locales —bordes, texturas y formas— y los combinan de manera jerárquica.

Resolución

  • Conjunto de imágenes cargado mediante tensorflow_datasets, con normalización y separación de los datos en entrenamiento y prueba.
  • Arquitectura convolucional en Keras: bloques Conv2D + MaxPooling2D para extraer variables visuales y luego Flatten + Dense para clasificar.
  • Entrenamientos de 10 y 50 épocas comparando contra la versión densa, con inspección visual de predicciones usando OpenCV y Matplotlib.
  • Cuaderno complementario de análisis exploratorio en experiments/, con la inspección previa del conjunto de datos.

Tecnologías

Python · TensorFlow · Keras · tensorflow_datasets · OpenCV

Conocimiento demostrado

La convolución emplea menos parámetros que una red densa equivalente y obtiene mayor exactitud porque su arquitectura considera la relación entre píxeles vecinos.

Recursos