Como parte de mi aprendizaje en redes neuronales, construí un Detector de Riesgo Cardíaco desde cero usando NumPy, sin TensorFlow ni PyTorch. El objetivo fue predecir el riesgo de enfermedad cardíaca a partir de datos clínicos estructurados. Comparto una versión de la experiencia, las decisiones técnicas y los desafíos que resolví.
Resumen del proyecto: El modelo es un clasificador binario entrenado con variables numéricas y categóricas. Implementé todo desde cero, incluyendo el preprocesamiento de datos, las pasadas forward y backward y el ciclo de entrenamiento con regularización.
División de datos: 70 por ciento para entrenamiento, 15 por ciento validación y 15 por ciento test, con aleatoriedad reproducible.
Preprocesado: Normalización min max en variables numéricas y one hot encoding para las categóricas asegurando la misma base de categorías en todos los conjuntos.
Arquitectura: Entrada -> Capa densa 16 con ReLU -> Dropout -> Capa densa 8 con ReLU -> Dropout -> Capa densa 1 con Sigmoid.
Optimización: Mini batch SGD con tasa de aprendizaje 0.01. Regularización: Decaimiento L2 más Dropout. Early stopping: seguimiento de la pérdida de validación para evitar sobreajuste y restauración del mejor conjunto de pesos.
El reto del sobreajuste: Al principio el modelo se sobreajustaba con rapidez; la precisión de entrenamiento subía, pero la validación se estancaba. Era claro que la red memorizaba en lugar de aprender patrones.
Cómo lo solucioné: 1 Dropout del 30 por ciento con esquema invertido en las capas ocultas para evitar la coadaptación de neuronas. 2 Regularización L2 para penalizar pesos grandes y reducir la complejidad efectiva. 3 Early stopping con paciencia de 50 épocas y recuperación de los mejores pesos. 4 Preprocesamiento correcto evitando fuga de datos al normalizar con estadísticas solo del conjunto de entrenamiento y alineando las categorías entre splits.
Tras estos ajustes, las precisiones de entrenamiento y validación se acercaron y el modelo generalizó mejor en el conjunto de prueba.
Detalles técnicos: Implementé activaciones ReLU y Sigmoid y derivé manualmente los gradientes para backpropagation. Apliqué inicialización He y Xavier para estabilizar los gradientes. Para la reproducibilidad, fijé semillas aleatorias para la división de datos y las máscaras de dropout, obteniendo resultados consistentes entre ejecuciones.
Lecciones aprendidas: Construir una red neuronal desde cero es valioso para entender la matemática y la mecánica detrás de las librerías de alto nivel. El sobreajuste es común en conjuntos pequeños, pero herramientas simples como dropout, L2 y early stopping marcan la diferencia. Un buen preprocesado y el manejo cuidadoso de variables categóricas impactan de forma notable en el rendimiento.
Próximos pasos: Probar el optimizador Adam y programaciones de tasa de aprendizaje. Incluir Batch Normalization para mitigar cambios internos de distribución. Explorar tratamiento de desbalance con ponderación de clases o focal loss.
Este proyecto no fue solo técnico; me enseñó paciencia, depuración y cómo pequeñas decisiones de diseño afectan el desempeño del modelo.
Si te interesa llevar estas capacidades a tu organización, en Q2BSTUDIO somos una empresa de desarrollo de software y aplicaciones a medida, especialistas en inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio y power bi, automatización y agentes IA. Acompañamos a compañías en la puesta en marcha de ia para empresas con enfoque práctico y medible.
Descubre cómo impulsamos proyectos de inteligencia artificial aplicados en producción visitando nuestra propuesta de IA. Si además necesitas una base tecnológica robusta y escalable, desarrollamos software a medida y aplicaciones a medida alineadas con tus objetivos y datos.
Palabras clave para quienes buscan resultados reales: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA y power bi. Conversemos y llevemos tu caso de uso desde el prototipo hasta el valor en producción.