Prereqs: TODO Calculus (esp. 06, 07, 09), LA-03, Prob-09.
- Arquitectura: input → capa oculta (ReLU/sigmoid) → salida (softmax) → cross-entropy.
- Forward pass con multiplicaciones de matrices (LA-03).
- Backward pass derivando los gradientes con el chain rule (Calc-07) y matrix calculus (Calc-09).
- Entrena con SGD/mini-batch (Calc-10) en un problema de clasificación simple.
- Este proyecto usa literalmente todo el curriculum a la vez. Es la culminación.
Cómo abordar un proyecto (mismo espíritu que los módulos)
- Deriva primero a mano la fórmula de la loss y de sus gradientes (cuaderno).
- Impleméntalo en NumPy paso a paso.
- Verifica el gradiente con finite differences (como en Calc-07) antes de confiar en él.
- Grafica la loss por época: debe bajar.
- Solo al final, compara con scikit-learn/PyTorch para confirmar que tu versión "casera" acierta.
Después de esto
Con estos 4 proyectos habrás recorrido el puente completo matemáticas → machine learning. Buenos siguientes pasos: leer Deep Learning (Goodfellow) con confianza, o tomar un curso de ML aplicado (fast.ai, CS229) — ahora con los cimientos para entender por qué funciona cada cosa, no solo cómo llamarla.
Marca cada proyecto en ../progress-tracker.md cuando lo termines. 🎓