🧠 Clasificación del Dataset Iris con PyTorch

Este proyecto implementa una Red Neuronal Artificial (MLP) construida desde cero con PyTorch para clasificar el famoso dataset de flores Iris. El modelo es capaz de predecir la especie de una flor (Setosa, Versicolor o Virginica) basándose en las 4 medidas de sus sépalos y pétalos.

🚀 Características del Proyecto

Durante el desarrollo de este modelo, se han aplicado buenas prácticas de Deep Learning y resolución de problemas específicos del entorno:

• Gestión de Datos por Lotes (Batches): Implementación de DataLoader manejando correctamente el multiprocesamiento (num_workers=0 para compatibilidad en entornos Windows/Jupyter).
• Entrenamiento y Validación: Estructuración limpia del bucle de entrenamiento, separando correctamente la fase de optimización de la fase de validación con torch.no_grad() para maximizar el rendimiento de la memoria.
• Cálculo de Precisión Vectorial: Uso avanzado de álgebra de tensores (torch.argmax con dim=1) para comparar correctamente matrices 2D de predicciones por lotes contra etiquetas con codificación One-Hot.
• Visualización de Curvas de Aprendizaje: Integración con matplotlib para graficar la evolución de la pérdida (Loss) y el porcentaje de precisión (Accuracy) a lo largo de las 100 épocas.
• Monitorización Profesional: Registro de métricas binarias exportadas a TensorBoard (SummaryWriter) para análisis y auditoría del entrenamiento en tiempo real.
• Persistencia del Modelo: Extracción y guardado del state_dict (pesos y sesgos optimizados) en un archivo .pth para permitir predicciones futuras sin necesidad de reentrenar.

📁 Estructura del Proyecto

├── modelos/
│   └── modelo_iris_entrenado.pth  # Archivo con los pesos finales de la red (~96% precisión)
├── runs/
│   └── experimento_iris/          # Logs binarios generados para TensorBoard
├── red_neuronal_iris.ipynb        # Código fuente interactivo con el modelo y los bucles
└── README.md                      # Documentación del proyecto

💻 Acceso Rápido al Código

Puedes explorar el código completo, las explicaciones paso a paso y las gráficas generadas directamente en el cuaderno principal del proyecto haciendo clic en el siguiente enlace:

👉 Abrir el Jupyter Notebook: red_neuronal_iris.ipynb

💡 Nota: GitHub renderiza los archivos .ipynb de forma nativa, por lo que puedes visualizar todo el código, los comentarios y los resultados de las ejecuciones directamente desde tu navegador sin necesidad de descargar nada.

⚙️ Instalación y Uso

Sigue estos pasos para clonar el proyecto y ejecutar el modelo en tu máquina local:

1. Requisitos previos (venv)

El módulo venv viene instalado por defecto al instalar Python en Windows y macOS. Sin embargo, si usas una distribución de Linux basada en Debian/Ubuntu y te da error al intentar crearlo, instálalo manualmente con este comando:

sudo apt update
sudo apt install python3-venv

2. Clonar el repositorio

Abre tu terminal y descarga el código:

git clone [https://github.com/Alexisfpy/Red-Neuronal-Iris.git(https://github.com/Alexisfpy/Red-Neuronal-Iris.git)
cd Red-Neuronal-Iris

3. Crear y activar el entorno virtual

python -m venv .venv

En Windows

.venv\Scripts\activate

En Linux/macOs

source .venv/bin/activate

4. Instalar dependencias

Este proyecto utiliza un archivo pyproject.toml para gestionar sus paquetes. Con el entorno virtual activado, instala todas las dependencias automáticamente ejecutando:

pip install .

o

uv sync

4. Lanzar el cuaderno interactivo

Una vez instalado todo, arranca el entorno de Jupyter para ver el código fuente y ejecutar la red neuronal:

jupyter notebook red_neuronal_iris.ipynb

📄 Licencia

Este proyecto está bajo la Licencia MIT - mira el archivo LICENSE para más detalles.