Entregable 1 2024

Basado en Assignment1 de Stanford cs231n.

Contenido

• Q1: Clasificador k-Vecinos más Cercanos (25 puntos) 
• Q2: Implementar un clasificador Softmax (25 puntos) 
• Q3: Red Neuronal de Dos Capas (40 puntos) 
• Q4: Representaciones de más alto nivel: Características de Imágenes (10 puntos)

Instrucciones de Entrega

• Importante. Asegurarse que los notebooks entregados hayan sido ejecutados y que las salidas de las celdas y tus respuestas a las preguntas sean visibles.
• Abrir y ejecutar el notebook collect_submission.ipynb. Este devolverá:

1. Un archivo a1.zip con todos los archivos de código (.py e .ipynb). 
2. Un archivo de todos los notebooks con sus celdas y las salidas de éstas.

• Por último verificar que estos archivos estén correctos y subirlos a esta tarea.

Objetivos

En este entregable se trabajará en el armado de un sistema simple de clasificación de imágenes basado en la regla del k-Vecinos más Cercanos, la función Softmax, y un red neuronal de dos capas. Los objetivos de este entregable son los siguientes:

• Entender un sistema de Clasificación de Imágenes y el enfoque data-driven (etapas de entrenamiento y predicción).
• Entender el split entrenamiento/validación/test y el uso de datos de validación para el ajuste de hiperparámetros.
• Desarrollar la habilidad en escribir código vectorizado eficiente con numpy.
• Implementar y aplicar un clasificador kNN.
• Implementar y aplicar un clasificador Softmax.
• Implementar y aplicar una Red Neuronal de dos capas como clasificador.
• Entender las diferencias y respectivas ventajas y desventajas de estos clasificadores.
• Obtener un entendimiento básico de las mejoras en performance al usar representaciones de alto nivel en oposición a usar los valores de píxeles crudos, e.g. histogramas de color, características HOG (Histogram of Gradient), etc.

Modalidad de trabajo

Completar cada notebook siguiendo el orden especificado más abajo. Leer con atención la propuesta de cada uno y las recomendaciones que se sugieren. Las instrucciones están escritas en inglés pero se aceptan respuestas en español.

Q1: Clasificador k-vecinos más cercanos (25 puntos)

El notebook knn.ipynb te guiará en la implementación del clasificador kNN.

Q2: Implementar un clasificador Softmax (25 puntos) 

El notebook softmax.ipynb te guiará en la implementación de un clasificador Softmax.

Q3: Red Neuronal de Dos Capas (40 puntos)

El notebook two_layer_net.ipynb te guiará en la implementación de un clasificador basado en una red neuronal de dos capas.

Q4: Representaciones de más alto nivel: Características de Imágenes (10 puntos)

El notebook features.ipynb te ayudará a examinar las mejoras ganadas al usar representaciones de más alto nivel en contraposición con valores crudos de pixel.