Chatbot con Redes Neuronales
Proyecto con enfoque cient铆fico que utiliza redes neuronales para experimentaci贸n y an谩lisis de resultados acad茅micos.
Resultados Cient铆ficos
Este proyecto se centra en el uso de redes neuronales para resolver problemas complejos en el 谩mbito acad茅mico. Los resultados obtenidos han sido validados mediante m茅tricas rigurosas y comparaciones con m茅todos tradicionales.
Stack Tecnol贸gico y Decisiones
Redes Neuronales
Se utilizaron redes neuronales profundas para abordar problemas de clasificaci贸n y predicci贸n, aprovechando su capacidad para modelar relaciones complejas en los datos.
Frameworks Utilizados
Se emplearon frameworks como TensorFlow y PyTorch para el desarrollo y entrenamiento de los modelos, garantizando flexibilidad y eficiencia.
Introducci贸n
Actualmente, la inteligencia artificial se manifiesta en diversas esferas de la sociedad, y una de las 煤ltimas innovaciones radica en la capacidad de generar conversaciones en lenguaje natural. Este proyecto se centra en modelos de Procesamiento de Lenguaje Natural (NLP) aplicados a resolver consultas de egresados universitarios sobre los reglamentos para la obtenci贸n de grados acad茅micos y t铆tulos profesionales en la Universidad Nacional de Moquegua (UNAM).
Metodolog铆a
La metodolog铆a utilizada para el desarrollo fue una adaptaci贸n de CRISP-DM, recomendada para proyectos relacionados con Inteligencia Artificial. Incluye las siguientes etapas:
- Construcci贸n del corpus: Recolecci贸n y normalizaci贸n de datos provenientes de encuestas y cuestionarios dirigidos a estudiantes y egresados.
- Preprocesamiento de datos: Limpieza de datos, eliminaci贸n de duplicados y correcci贸n de errores ortogr谩ficos.
- Modelado: Entrenamiento de modelos basados en arquitecturas LSTM, GRU y sus variantes bidireccionales.
- Evaluaci贸n: Uso de m茅tricas como precisi贸n, sensibilidad y especificidad para medir el rendimiento de los modelos.
Resultados
Se evaluaron cuatro modelos diferentes: LSTM, BiLSTM, GRU y BiGRU. Los resultados obtenidos son los siguientes:
| Modelo | Precisi贸n | Exactitud |
|---|---|---|
| LSTM | 98.36% | 99.43% |
| BiLSTM | 99.15% | 99.22% |
| GRU | 98.10% | 98.25% |
| BiGRU | 99.57% | 99.62% |
Fragmento de C贸digo Destacado
Este fragmento en Python muestra la implementaci贸n de una red neuronal simple para clasificaci贸n de datos.
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
# Crear el modelo
model = Sequential([
Dense(128, activation='relu', input_shape=(input_dim,)),
Dense(64, activation='relu'),
Dense(num_classes, activation='softmax')
])
# Compilar el modelo
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
# Entrenar el modelo
model.fit(X_train, y_train, epochs=10, batch_size=32, validation_data=(X_val, y_val))