https://github.com/antonygiomarxdev/handwritten_digit_classifier
https://github.com/antonygiomarxdev/handwritten_digit_classifier
Last synced: about 2 months ago
JSON representation
- Host: GitHub
- URL: https://github.com/antonygiomarxdev/handwritten_digit_classifier
- Owner: antonygiomarxdev
- Created: 2024-12-11T04:14:59.000Z (over 1 year ago)
- Default Branch: main
- Last Pushed: 2024-12-11T04:21:40.000Z (over 1 year ago)
- Last Synced: 2025-03-11T05:32:24.661Z (over 1 year ago)
- Language: Python
- Size: 3.91 KB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: readme.md
Awesome Lists containing this project
README
# Handwritten Digit Classifier
## Descripción
Handwritten Digit Classifier es un proyecto de aprendizaje profundo que utiliza una Red Neuronal Convolucional (CNN) para reconocer y clasificar dígitos escritos a mano. El modelo está entrenado con el conjunto de datos MNIST, el cual contiene miles de imágenes de dígitos manuscritos, divididas en conjuntos de entrenamiento y prueba.
Este proyecto está pensado para principiantes en ciencia de datos y aprendizaje automático. Proporciona un ejemplo práctico de cómo:
- Cargar y preprocesar datos de imágenes.
- Construir y entrenar una CNN con TensorFlow y Keras.
- Evaluar el rendimiento del modelo.
- Realizar predicciones con el modelo entrenado.
## Estructura del Proyecto
El proyecto contiene diferentes directorios y archivos para mantener el código y los datos organizados:
- `data/`: Contiene los datos (crudos y preprocesados).
- `notebooks/`: Almacena el notebook con el análisis exploratorio de datos (EDA).
- `src/`: Incluye el código fuente del proyecto (preprocesamiento, definición del modelo, scripts de entrenamiento, evaluación y predicción).
- `outputs/`: Guarda los modelos entrenados y las gráficas generadas durante el entrenamiento y la evaluación.
- `requirements.txt`: Lista de dependencias necesarias para el proyecto.
- `setup.py`: Opcional, para empaquetar el proyecto si así se desea.
## Requisitos
- Python 3.x
- TensorFlow
- NumPy
- Matplotlib
- scikit-learn
- seaborn
Instala las dependencias con:
```
pip install -r requirements.txt
```
## Uso
1. Clona o descarga el repositorio.
2. Crea y activa un entorno virtual (opcional pero recomendado).
3. Instala las dependencias.
4. Ejecuta el notebook en `notebooks/` para el análisis exploratorio.
5. Ejecuta `train.py` desde `src/` para entrenar el modelo.
6. Ejecuta `evaluate.py` para evaluar el modelo.
7. Ejecuta `predict.py` para hacer predicciones sobre nuevas imágenes.
## Recursos Adicionales
- Documentación de TensorFlow: https://www.tensorflow.org/
- Ejemplos de Keras: https://keras.io/examples/
- Tutoriales de aprendizaje profundo: https://www.coursera.org/specializations/deep-learning
Este proyecto es un punto de partida. Siéntete libre de modificar el código, la arquitectura del modelo o el proceso de entrenamiento para adaptarlo a tus necesidades.