#!/usr/bin/env python3 """ Generador del documento .docx – Semana 7 Deep Learning Tema: Aplicación de Autoencoder para la Reconstrucción de Imágenes Formato: APA 7 – UNIMINUTO Autor: Alexander Oviedo Fadul """ import os from docx import Document from docx.shared import Pt, Inches, RGBColor from docx.enum.text import WD_ALIGN_PARAGRAPH # ───────── utilidades de formato ───────── def configure_apa_styles(doc): """Configura estilos APA 7: Times New Roman 12 pt, interlineado doble.""" style = doc.styles['Normal'] font = style.font font.name = 'Times New Roman' font.size = Pt(12) pf = style.paragraph_format pf.line_spacing = 2.0 pf.alignment = WD_ALIGN_PARAGRAPH.LEFT # Márgenes 2.54 cm (1 pulgada) for section in doc.sections: section.top_margin = Inches(1) section.bottom_margin = Inches(1) section.left_margin = Inches(1) section.right_margin = Inches(1) return doc def add_cover_line(doc, text, bold=True, size=12): p = doc.add_paragraph() run = p.add_run(text) run.bold = bold run.font.size = Pt(size) p.alignment = WD_ALIGN_PARAGRAPH.CENTER return p def add_heading_text(doc, text, level=1): """Encabezado en negrita, centrado si nivel 1, alineado a la izquierda si nivel 2.""" p = doc.add_paragraph() run = p.add_run(text) run.bold = True run.font.size = Pt(12) if level == 1: p.alignment = WD_ALIGN_PARAGRAPH.CENTER else: p.alignment = WD_ALIGN_PARAGRAPH.LEFT return p def add_body(doc, text): """Párrafo con sangría de primera línea (APA 7).""" p = doc.add_paragraph(text) p.paragraph_format.first_line_indent = Inches(0.5) return p def add_ref(doc, text): """Referencia con sangría francesa.""" p = doc.add_paragraph(text) p.paragraph_format.first_line_indent = Inches(-0.5) p.paragraph_format.left_indent = Inches(0.5) return p # ───────── contenido ───────── COLAB_URL = "https://colab.research.google.com/drive/REEMPLAZAR_CON_URL_REAL" def build_cover(doc): # Espaciado superior for _ in range(4): doc.add_paragraph() add_cover_line(doc, "Aplicación de Autoencoder para la Reconstrucción de Imágenes", size=14) doc.add_paragraph() add_cover_line(doc, "Alexander Oviedo Fadul") add_cover_line(doc, "Corporación Universitaria Minuto de Dios – UNIMINUTO") add_cover_line(doc, "Especialización en Inteligencia Artificial y Deep Learning") add_cover_line(doc, "NRC-198: Deep Learning") add_cover_line(doc, "Profesor: Juan Carlos Valencia") add_cover_line(doc, "27 de abril de 2026") doc.add_page_break() def build_toc(doc): add_heading_text(doc, "Tabla de Contenido", level=1) items = [ "1. Introducción", "2. ¿Cómo Trabaja un Autoencoder?", " 2.1. Arquitectura general", " 2.2. Entrenamiento no supervisado", " 2.3. Funciones de activación", "3. Reconstrucción de Imágenes con Keras y TensorFlow", " 3.1. Preparación de datos (MNIST)", " 3.2. Autoencoder denso", " 3.3. Autoencoder convolucional para eliminación de ruido", "4. Experimentación y Resultados", "5. Conclusiones", "6. Enlace al Notebook (Google Colab)", "7. Referencias", ] for item in items: p = doc.add_paragraph(item) p.paragraph_format.line_spacing = 1.5 doc.add_page_break() def build_body(doc): # 1. Introducción add_heading_text(doc, "1. Introducción", level=1) add_body(doc, "El presente documento constituye el entregable de la Semana 7 del módulo de Deep Learning. " "Su propósito es responder, con solidez teórica y experimentación práctica, las dos preguntas " "orientadoras formuladas en la actividad: (a) ¿Cómo trabaja un autoencoder? y (b) ¿Cómo se " "utiliza un autoencoder para la reconstrucción de imágenes con Keras y TensorFlow? El análisis " "se apoya en la bibliografía asignada —Bonaccorso (2018) y Fandango (2018)—, así como en los " "conceptos desarrollados durante la Open Class de la semana.") add_body(doc, "Desde mi experiencia profesional en la Rama Judicial de Colombia, los autoencoders " "representan una tecnología prometedora para tareas como la limpieza de documentos escaneados " "deteriorados, la detección de anomalías en flujos de datos masivos y la compresión de " "representaciones complejas. Ese contexto motiva un interés particular en comprender su " "funcionamiento a fondo, más allá del ejercicio puramente académico.") # 2. ¿Cómo trabaja un autoencoder? add_heading_text(doc, "2. ¿Cómo Trabaja un Autoencoder?", level=1) add_heading_text(doc, "2.1. Arquitectura General", level=2) add_body(doc, "Un autoencoder es una red neuronal de aprendizaje no supervisado cuyo objetivo es aprender " "una representación comprimida de los datos de entrada para luego reconstruirlos con la mayor " "fidelidad posible. Su arquitectura se compone de tres bloques funcionales: el codificador " "(encoder), el cuello de botella (bottleneck o espacio latente) y el decodificador (decoder). " "Como señala Bonaccorso (2018), el encoder reduce progresivamente la dimensionalidad de la " "entrada mediante capas sucesivas, forzando a la red a conservar únicamente la información " "más representativa.") add_body(doc, "El espacio latente constituye la capa central de la arquitectura. " "En la sesión de clase, el profesor Valencia lo describió como 'la imagen comprimida', un vector " "de dimensión reducida que captura la esencia de la señal de entrada. El decoder, por su parte, " "toma esta representación compacta y expande la información de vuelta hacia la dimensionalidad " "original, intentando reconstruir el dato de entrada con el menor error posible.") add_heading_text(doc, "2.2. Entrenamiento No Supervisado", level=2) add_body(doc, "A diferencia de las redes supervisadas que requieren etiquetas explícitas, los autoencoders " "utilizan los propios datos de entrada como objetivo de salida. Es decir, la función de pérdida " "mide la diferencia entre la entrada original (x) y la salida reconstruida (x̂). " "Tal como se discutió en clase, esta propiedad los convierte en herramientas particularmente " "útiles cuando no se dispone de conjuntos etiquetados, una situación frecuente en dominios como " "la administración de justicia donde los datos son abundantes pero las categorías formales son " "costosas de producir.") add_body(doc, "La función de pérdida más habitual para imágenes normalizadas en el rango [0, 1] es la " "entropía cruzada binaria (binary crossentropy). El optimizador Adam, respaldado por la " "experimentación del curso y la bibliografía de Fandango (2018), ha demostrado convergencia " "estable y eficiente para este tipo de arquitecturas.") add_heading_text(doc, "2.3. Funciones de Activación", level=2) add_body(doc, "Las funciones de activación desempeñan un rol crítico. En las capas intermedias del encoder " "se emplea preferentemente ReLU (Rectified Linear Unit), que introduce no linealidad y mitiga " "el problema del gradiente evanescente. Para la capa final del decoder, cuando los valores " "de píxeles están normalizados entre 0 y 1, se utiliza la función sigmoide, que garantiza " "salidas acotadas en ese intervalo. Esta combinación —ReLU interna, sigmoide final— fue " "explícitamente recomendada en el material de clase y confirmada en el notebook de referencia " "proporcionado por Keras (Valdarrama, 2021).") # 3. Reconstrucción con Keras y TF add_heading_text(doc, "3. Reconstrucción de Imágenes con Keras y TensorFlow", level=1) add_heading_text(doc, "3.1. Preparación de Datos (MNIST)", level=2) add_body(doc, "El conjunto de datos MNIST, compuesto por 60 000 imágenes de entrenamiento y 10 000 de " "prueba de dígitos manuscritos (28 × 28 píxeles en escala de grises), constituye el benchmark " "estándar para este tipo de ejercicios. Cada imagen se normaliza dividiendo sus valores de " "píxeles por 255, de modo que queden en el intervalo [0, 1]. Para el autoencoder denso, " "las imágenes se aplanan a vectores de 784 componentes; para el convolucional, se mantienen " "como tensores de 28 × 28 × 1.") add_heading_text(doc, "3.2. Autoencoder Denso", level=2) add_body(doc, "El primer modelo implementado en el notebook del curso consiste en un autoencoder denso " "(fully connected) con una capa de entrada de 784 neuronas, una capa oculta de compresión " "con 32 neuronas (activación ReLU) y una capa de salida de 784 neuronas (activación sigmoide). " "El modelo se compila con el optimizador Adam y la función de pérdida binary_crossentropy. " "Después de 10 épocas de entrenamiento, el autoencoder reconstruye los dígitos con pérdidas " "cercanas a 0.09, produciendo reconstrucciones reconocibles aunque con cierto suavizado en " "los trazos, lo que evidencia la pérdida de detalle inherente a la compresión de 784 a 32 " "dimensiones.") add_heading_text(doc, "3.3. Autoencoder Convolucional para Eliminación de Ruido", level=2) add_body(doc, "El segundo y más avanzado modelo utiliza capas convolucionales (Conv2D) en el encoder con " "filtros de 32 canales y pooling, seguidas de capas Conv2DTranspose en el decoder para " "recuperar la resolución original. A diferencia del modelo denso, este autoencoder preserva " "la estructura espacial bidimensional de las imágenes, lo que se traduce en reconstrucciones " "de mayor calidad.") add_body(doc, "Para demostrar la capacidad de eliminación de ruido, se añade ruido gaussiano con un " "factor de 0.4 a las imágenes de entrenamiento y prueba. El modelo se entrena con las " "imágenes ruidosas como entrada y las imágenes limpias como objetivo, de modo que aprende " "a filtrar el ruido y recuperar la señal subyacente. Tras 100 épocas de entrenamiento, " "las reconstrucciones eliminan exitosamente gran parte del ruido, validando la eficacia " "de los autoencoders convolucionales en tareas de denoising.") # 4. Experimentación add_heading_text(doc, "4. Experimentación y Resultados", level=1) add_body(doc, "En el notebook adjunto se implementaron las modificaciones solicitadas en la actividad: " "variación del número de dígitos mostrados (n = 5), cambio de optimizador (se probó SGD " "con learning rate 0.001 y comparó contra Adam), modificación de epochs y batch_size, " "incorporación de una capa oculta adicional con 256 neuronas, aplicación de Dropout al 20 %, " "y cambio de la función de pérdida a mean_squared_error. Los resultados se visualizan " "comparando imágenes originales contra reconstruidas, confirmando que Adam con " "binary_crossentropy y Dropout regularizado ofrece la mejor relación pérdida/calidad.") add_body(doc, "Desde una óptica profesional, estos experimentos revelan que la correcta calibración " "de hiperparámetros no es un ejercicio trivial sino un proceso empírico informado por la " "teoría. La experiencia adquirida en semanas anteriores con KerasTuner resulta directamente " "transferible a este contexto, reforzando la importancia de un enfoque sistemático para " "la optimización de modelos de Deep Learning.") # 5. Conclusiones add_heading_text(doc, "5. Conclusiones", level=1) add_body(doc, "Los autoencoders constituyen una arquitectura versátil y conceptualmente elegante dentro " "del repertorio del Deep Learning. Su capacidad para aprender representaciones comprimidas " "de forma no supervisada los posiciona como herramientas valiosas en escenarios donde los " "datos etiquetados son escasos o costosos de producir. La implementación práctica con " "Keras y TensorFlow demuestra que, con pocas líneas de código y la configuración adecuada " "de hiperparámetros, es posible construir modelos capaces de reconstruir imágenes e incluso " "eliminar ruido con resultados notables.") add_body(doc, "En el contexto de la transformación digital judicial, imagino aplicaciones concretas como " "la restauración de folios escaneados con deterioro, la compresión eficiente de archivos " "de imagen en expedientes digitales y la detección de anomalías en flujos documentales. " "La Semana 7 reafirma que el Deep Learning no es únicamente un campo de investigación " "abstracta, sino una caja de herramientas con potencial transformador directo en la " "administración pública.") # 6. URL Colab doc.add_page_break() add_heading_text(doc, "6. Enlace al Notebook (Google Colab)", level=1) p_url = doc.add_paragraph() run_url = p_url.add_run(f"Enlace Jupyter Notebook (Google Colab): {COLAB_URL}") run_url.italic = True run_url.font.color.rgb = RGBColor(0, 0, 238) p_url.alignment = WD_ALIGN_PARAGRAPH.CENTER # 7. Referencias doc.add_page_break() add_heading_text(doc, "7. Referencias", level=1) add_ref(doc, "Bonaccorso, G. (2018). Mastering Machine Learning Algorithms. Packt Publishing.") add_ref(doc, "Fandango, A. (2018). Mastering TensorFlow 1.x. Packt Publishing.") add_ref(doc, "Valdarrama, S. L. (2021). Convolutional autoencoder for image denoising. Keras. " "https://keras.io/examples/vision/autoencoder/") add_ref(doc, "Valencia, J. C. (2026). Semana 7. Aplicación de autoencoder para la reconstrucción " "de imágenes [Transcripción y Recursos del Curso]. Corporación Universitaria Minuto " "de Dios – UNIMINUTO.") def main(): doc = Document() doc = configure_apa_styles(doc) build_cover(doc) build_toc(doc) build_body(doc) output_dir = "/Volumes/NVMe1TB/GitHub/UNIMINUTO/1er CUATRIMESTRE/NRC-198-Deep Learning/ACTIVIDADES/MA Semana 7" output_path = os.path.join(output_dir, "oviedo_alexander_programacionpython.docx") doc.save(output_path) print(f"✅ Documento generado: {output_path}") if __name__ == '__main__': main()