#!/usr/bin/env python3 # -*- coding: utf-8 -*- """ generar_docx_S5.py ================== Script de compilación del documento APA 7 para la actividad Semana 5 de NRC-8773 Visión por Computador — UNIMINUTO. Genera: Oviedo_Alexander_VC_Semana5.docx Ejecutar desde el directorio de la actividad: python3 generar_docx_S5.py """ from docx import Document from docx.shared import Inches, Pt, Cm, RGBColor from docx.enum.text import WD_ALIGN_PARAGRAPH from docx.enum.style import WD_STYLE_TYPE from docx.oxml.ns import qn from docx.oxml import OxmlElement import os, sys # ============================================================ # CONFIGURACIÓN DEL DOCUMENTO # ============================================================ TITULO_TRABAJO = "Red Neuronal Simple para Reconocimiento de Dígitos Manuscritos con TensorFlow" SUBTITULO = "Presentación de Diapositivas — Implementando una Red Neuronal" INTEGRANTES = [ "Alexander Oviedo Fadul", "Maria Fernanda Ruiz Paipilla", "Neheman Samir Jaller Cerchiaro", "William David Obando Lopez", ] DOCENTE = "Félix Julián Gutiérrez Bernal" CURSO = "Visión por Computador" NRC = "NRC-8773" SEMANA = "Semana 5" PROGRAMA = "Especialización en Inteligencia Artificial" UNIVERSIDAD = "Corporación Universitaria Minuto de Dios – UNIMINUTO" FECHA = "Junio de 2026" COLAB_URL = "https://colab.research.google.com/drive/[ENLACE_DEL_GRUPO]" SALIDA = "Oviedo_Alexander_VC_Semana5.docx" # ============================================================ # FUNCIONES AUXILIARES # ============================================================ def set_margins(doc, top=2.54, bottom=2.54, left=2.54, right=2.54): """Establece márgenes APA 7 (2.54 cm en todos los lados).""" for section in doc.sections: section.top_margin = Cm(top) section.bottom_margin = Cm(bottom) section.left_margin = Cm(left) section.right_margin = Cm(right) def set_page_number(doc): """Agrega número de página en esquina superior derecha (APA 7).""" for section in doc.sections: header = section.header p = header.paragraphs[0] if header.paragraphs else header.add_paragraph() p.alignment = WD_ALIGN_PARAGRAPH.RIGHT run = p.add_run() # Número de página automático fldChar1 = OxmlElement('w:fldChar') fldChar1.set(qn('w:fldCharType'), 'begin') instrText = OxmlElement('w:instrText') instrText.text = 'PAGE' fldChar2 = OxmlElement('w:fldChar') fldChar2.set(qn('w:fldCharType'), 'end') run._r.append(fldChar1) run._r.append(instrText) run._r.append(fldChar2) run.font.name = 'Calibri' run.font.size = Pt(11) def add_paragraph(doc, text, style='Normal', bold=False, indent=True, align=WD_ALIGN_PARAGRAPH.LEFT, space_after=0): """Agrega párrafo con formato APA 7.""" p = doc.add_paragraph(style=style) p.alignment = align p.paragraph_format.space_after = Pt(space_after) p.paragraph_format.line_spacing = Pt(23) # ~doble interlineado a 11pt if indent: p.paragraph_format.first_line_indent = Cm(1.27) run = p.add_run(text) run.font.name = 'Calibri' run.font.size = Pt(11) run.bold = bold return p def add_heading(doc, text, level=1): """Agrega título con formato APA 7 por nivel.""" p = doc.add_heading(text, level=level) p.paragraph_format.space_before = Pt(12) p.paragraph_format.space_after = Pt(0) p.paragraph_format.line_spacing = Pt(23) for run in p.runs: run.font.name = 'Calibri' run.font.size = Pt(11) run.bold = True run.font.color.rgb = RGBColor(0, 0, 0) if level == 1: p.alignment = WD_ALIGN_PARAGRAPH.CENTER else: p.alignment = WD_ALIGN_PARAGRAPH.LEFT return p def add_reference(doc, text): """Agrega una referencia APA con sangría francesa.""" p = doc.add_paragraph(style='Normal') p.alignment = WD_ALIGN_PARAGRAPH.LEFT p.paragraph_format.line_spacing = Pt(23) p.paragraph_format.space_after = Pt(0) # Sangría francesa: 1.27cm izquierda, -1.27cm primera línea p.paragraph_format.left_indent = Cm(1.27) p.paragraph_format.first_line_indent = Cm(-1.27) run = p.add_run(text) run.font.name = 'Calibri' run.font.size = Pt(11) return p # ============================================================ # GENERACIÓN DEL DOCUMENTO # ============================================================ def generar_documento(): doc = Document() # Configurar estilo Normal base normal_style = doc.styles['Normal'] normal_style.font.name = 'Calibri' normal_style.font.size = Pt(11) normal_style.paragraph_format.space_after = Pt(0) set_margins(doc) set_page_number(doc) # -------------------------------------------------------- # PORTADA # -------------------------------------------------------- for _ in range(6): doc.add_paragraph() # Título p_titulo = doc.add_paragraph() p_titulo.alignment = WD_ALIGN_PARAGRAPH.CENTER p_titulo.paragraph_format.line_spacing = Pt(23) r = p_titulo.add_run(TITULO_TRABAJO) r.bold = True r.font.name = 'Calibri' r.font.size = Pt(11) doc.add_paragraph() # Integrantes p_int = doc.add_paragraph() p_int.alignment = WD_ALIGN_PARAGRAPH.CENTER p_int.paragraph_format.line_spacing = Pt(23) r2 = p_int.add_run('\n'.join(INTEGRANTES)) r2.font.name = 'Calibri' r2.font.size = Pt(11) doc.add_paragraph() # Datos del curso datos_portada = [ f"{UNIVERSIDAD}", f"{PROGRAMA}", f"{NRC}: {CURSO}", f"Docente: {DOCENTE}", f"{SEMANA}", f"{FECHA}", ] for dato in datos_portada: p_d = doc.add_paragraph() p_d.alignment = WD_ALIGN_PARAGRAPH.CENTER p_d.paragraph_format.line_spacing = Pt(23) p_d.paragraph_format.space_after = Pt(0) r_d = p_d.add_run(dato) r_d.font.name = 'Calibri' r_d.font.size = Pt(11) doc.add_page_break() # -------------------------------------------------------- # SECCIÓN 1: TÍTULO Y ENLACE DE COLAB # -------------------------------------------------------- add_heading(doc, TITULO_TRABAJO, level=1) doc.add_paragraph() # Enlace de Google Colab (destacado) p_colab = doc.add_paragraph() p_colab.alignment = WD_ALIGN_PARAGRAPH.LEFT p_colab.paragraph_format.space_before = Pt(6) p_colab.paragraph_format.space_after = Pt(6) p_colab.paragraph_format.line_spacing = Pt(23) r_label = p_colab.add_run("Enlace del notebook en Google Colab: ") r_label.bold = True r_label.font.name = 'Calibri' r_label.font.size = Pt(11) r_url = p_colab.add_run(COLAB_URL) r_url.font.name = 'Calibri' r_url.font.size = Pt(11) r_url.font.color.rgb = RGBColor(0x17, 0x5D, 0xDC) doc.add_paragraph() # -------------------------------------------------------- # SECCIÓN 2: INTRODUCCIÓN # -------------------------------------------------------- add_heading(doc, "Introducción", level=2) intro_1 = ( "Desde finales de la década de 1940, la neurociencia computacional comenzó a plantear " "modelos matemáticos que buscaban replicar, de forma abstracta, el funcionamiento del cerebro " "biológico. La unidad fundamental de esos modelos es la neurona artificial: una unidad de " "procesamiento que recibe múltiples señales de entrada ponderadas por coeficientes llamados pesos " "(ω) y produce una única salida. Esta operación equivale matemáticamente a una regresión lineal " "con sesgo, tal como señala Ballard (2018) al describir las redes neuronales clásicas." ) add_paragraph(doc, intro_1) intro_2 = ( "La capacidad de una red neuronal para aprender patrones complejos surge de la combinación de " "este procesamiento lineal con las funciones de activación que introducen no linealidad. Sin ellas, " "apilar múltiples capas equivale a una sola transformación lineal. El algoritmo de retropropagación, " "combinado con el descenso de gradiente, ajusta iterativamente los pesos para minimizar el error " "entre las predicciones y los valores reales. Este ciclo de aprendizaje automático es, en esencia, " "la forma en que una máquina emula el proceso de aprendizaje por repetición y corrección del error." ) add_paragraph(doc, intro_2) intro_3 = ( "En el presente trabajo implementamos una red neuronal densa simple para el reconocimiento de " "dígitos manuscritos del 0 al 9 usando el framework TensorFlow y el dataset MNIST, siguiendo la " "metodología desarrollada por el docente Félix Julián Gutiérrez Bernal en la sesión sincrónica de " "la semana 5 del NRC-8773." ) add_paragraph(doc, intro_3) # -------------------------------------------------------- # SECCIÓN 3: FUNDAMENTOS TEÓRICOS # -------------------------------------------------------- add_heading(doc, "Fundamentos Teóricos", level=2) add_heading(doc, "La Neurona Artificial", level=3) fund_1 = ( "Una neurona artificial es una unidad de procesamiento inspirada en el cerebro biológico que " "recibe n entradas (x₁, x₂, ..., xₙ) ponderadas por pesos (ω₁, ω₂, ..., ωₙ), calcula su " "combinación lineal y aplica una función de activación para producir una salida. Dadhich (2018) " "describe cómo las imágenes digitales, al ser fundamentalmente matrices numéricas de píxeles con " "valores entre 0 y 255, se convierten directamente en el vector de entrada de la red." ) add_paragraph(doc, fund_1) add_heading(doc, "Función de Activación y No Linealidad", level=3) fund_2 = ( "La función de activación transforma la salida lineal de una neurona en una señal no lineal, " "permitiendo que la red aprenda patrones complejos. En nuestro modelo usamos dos funciones: " "ReLU (Rectified Linear Unit) en la capa oculta, que devuelve el valor si es positivo y 0 en caso " "contrario; y Softmax en la capa de salida, que convierte los valores en una distribución de " "probabilidades que suman 1 sobre las 10 clases posibles." ) add_paragraph(doc, fund_2) add_heading(doc, "Descenso de Gradiente y Retropropagación", level=3) fund_3 = ( "El entrenamiento se realiza mediante la retropropagación del error: el modelo calcula la diferencia " "entre su predicción y la etiqueta real usando la función de pérdida (categorical crossentropy), " "computa el gradiente de ese error respecto a cada peso mediante la regla de la cadena, y ajusta " "los pesos en la dirección opuesta al gradiente con el optimizador Adam. Este proceso se repite " "en lotes (mini-batches) de 100 imágenes durante 5 épocas." ) add_paragraph(doc, fund_3) # -------------------------------------------------------- # SECCIÓN 4: DESARROLLO (IMPLEMENTACIÓN) # -------------------------------------------------------- add_heading(doc, "Desarrollo — Implementación con TensorFlow", level=2) add_heading(doc, "Importación del Dataset MNIST", level=3) dev_1 = ( "El dataset MNIST contiene 70,000 imágenes de dígitos manuscritos: 60,000 para entrenamiento y " "10,000 para prueba. Cada imagen tiene dimensiones de 28×28 píxeles en escala de grises, " "representada como una matriz de 784 valores enteros entre 0 (negro) y 255 (blanco). Keras " "incluye MNIST de forma nativa mediante la instrucción: " "(X_train, Y_train), (X_test, Y_test) = mnist.load_data()." ) add_paragraph(doc, dev_1) add_heading(doc, "Preprocesamiento de los Datos", level=3) dev_2 = ( "Antes de alimentar las imágenes a la red se realizaron dos transformaciones esenciales. " "Primero, el reshape agrega una dimensión de canal (28×28 → 28×28×1) y la normalización " "divide los valores de píxel por 255 para llevarlos al rango [0, 1], mejorando la estabilidad " "numérica del entrenamiento. Segundo, se aplicó one-hot encoding a las etiquetas usando " "to_categorical: el dígito 3 se convierte, por ejemplo, en el vector [0,0,0,1,0,0,0,0,0,0], " "lo que permite compararlo directamente con la salida softmax del modelo (Ballard, 2018)." ) add_paragraph(doc, dev_2) add_heading(doc, "Arquitectura de la Red Neuronal", level=3) dev_3 = ( "El modelo secuencial implementado en Keras consta de tres capas. La primera es Flatten, que " "convierte la imagen 28×28×1 en un vector de 784 elementos (proceso que el docente describió " "en clase como 'llevar una imagen bidimensional a una única dimensión'). La segunda es una capa " "Dense con 128 neuronas y activación ReLU: aprende representaciones intermedias de los patrones " "visuales de los dígitos. La tercera es la capa de salida Dense con 10 neuronas y activación " "Softmax: produce una distribución de probabilidades sobre los 10 dígitos posibles. El total de " "parámetros entrenables es de 101,770." ) add_paragraph(doc, dev_3) add_heading(doc, "Justificación de la Arquitectura", level=3) dev_4 = ( "La elección de 128 neuronas en la capa oculta responde a un equilibrio bien establecido en la " "literatura: provee suficiente capacidad representacional para capturar las características visuales " "de los dígitos (curvas, líneas, bucles) sin generar sobreajuste en un dataset de tamaño moderado. " "Ballard (2018) señala que el número óptimo de unidades es un hiperparámetro a ajustar " "experimentalmente; 128 es el punto de partida estándar para MNIST. El uso de una sola capa " "oculta es suficiente para este problema, dado que las imágenes MNIST son relativamente simples " "y el objetivo es didáctico: sentar las bases conceptuales antes de avanzar a las redes " "convolucionales de la siguiente semana." ) add_paragraph(doc, dev_4) add_heading(doc, "Configuración de Tensores y Entrenamiento", level=3) dev_5 = ( "El modelo se compiló con el optimizador Adam (variante del descenso de gradiente con tasa " "de aprendizaje adaptativa), la función de pérdida categorical_crossentropy (apropiada para " "clasificación multiclase con etiquetas one-hot) y la métrica accuracy. El entrenamiento se " "ejecutó durante 5 épocas con mini-batches de 100 imágenes, utilizando el conjunto de prueba " "como datos de validación en cada época." ) add_paragraph(doc, dev_5) # -------------------------------------------------------- # SECCIÓN 5: RESULTADOS # -------------------------------------------------------- add_heading(doc, "Resultados Obtenidos", level=2) res_1 = ( "El modelo alcanzó una exactitud de validación de aproximadamente 97.47% al finalizar la quinta " "época. Los resultados por época evidencian una convergencia rápida: la exactitud pasó del 90.97% " "en la primera época al 98.15% en entrenamiento, con una pérdida que descendió de 0.3310 a 0.0653. " "La diferencia entre la exactitud de entrenamiento y la de validación es mínima (~0.7 puntos " "porcentuales), lo que indica que el modelo generalizó correctamente sin sobreajuste." ) add_paragraph(doc, res_1) res_2 = ( "De las 10,000 imágenes del conjunto de prueba, el modelo clasificó correctamente " "aproximadamente 9,747, cometiendo errores en 253 casos. Los errores más frecuentes ocurren " "entre dígitos con formas visualmente similares (4 y 9, o 3 y 8), lo cual es esperable en una " "red densa que no aprovecha la estructura espacial de la imagen." ) add_paragraph(doc, res_2) # -------------------------------------------------------- # SECCIÓN 6: ESTADO DE LA IA EN COLOMBIA # -------------------------------------------------------- add_heading(doc, "Estado de la IA en Colombia", level=2) col_1 = ( "Colombia avanza de manera progresiva en la adopción de la inteligencia artificial. El " "Documento CONPES 3975 de 2019 estableció la Política Nacional de Inteligencia Artificial, " "reconociendo que es una tecnología estratégica para el desarrollo socioeconómico del siglo XXI " "y comprometiendo al Estado en la formación de talento, el desarrollo de infraestructura digital " "y la generación de marcos regulatorios." ) add_paragraph(doc, col_1) col_2 = ( "En el sector público, iniciativas como el proyecto MARDUK en el Consejo Superior de la " "Judicatura han demostrado que las redes neuronales pueden automatizar tareas documentales " "complejas: reconocimiento de entidades en expedientes judiciales, clasificación de tutelas y " "análisis de tiempos procesales. Este tipo de aplicaciones —análogas en principio a lo que " "implementamos con MNIST— evidencian que el reconocimiento de patrones en datos no estructurados " "tiene un enorme potencial en el sector justicia colombiano." ) add_paragraph(doc, col_2) col_3 = ( "Sin embargo, persisten brechas importantes: la infraestructura computacional es limitada fuera " "de los grandes centros urbanos; la inversión en investigación y desarrollo como porcentaje del " "PIB sigue siendo baja; y la formación de profesionales especializados en IA apenas inicia en " "programas de posgrado como el que cursamos. El reto es que estas herramientas —hoy accesibles " "vía Google Colab sin costo— se democraticen realmente y no queden concentradas en las élites " "tecnológicas de unas pocas ciudades." ) add_paragraph(doc, col_3) # -------------------------------------------------------- # SECCIÓN 7: CONCLUSIONES # -------------------------------------------------------- add_heading(doc, "Conclusiones", level=2) conclusiones = [ ("El ejercicio de implementar una red neuronal simple con TensorFlow confirmó que el proceso " "de aprendizaje automático es, en esencia, la minimización iterativa de un error mediante el " "ajuste de parámetros: un proceso análogo —aunque abstracto— al aprendizaje por repetición y " "corrección del cerebro biológico."), ("El preprocesamiento de los datos (reshape, normalización y one-hot encoding) resultó " "ser tan determinante como la arquitectura del modelo: sin datos correctamente preparados, " "el entrenamiento no converge adecuadamente."), ("La arquitectura Flatten → Dense(128, ReLU) → Dense(10, Softmax) logró un ~97.5% de " "exactitud en el conjunto de prueba con solo 5 épocas, demostrando que redes relativamente " "simples son capaces de resolver problemas bien definidos con alta precisión."), ("El entrenamiento por mini-batches demostró ser eficiente: dividir 60,000 imágenes en " "lotes de 100 permitió entrenar en minutos en Google Colab, manteniendo buena capacidad " "de generalización."), ("Las redes densas presentan limitaciones intrínsecas para imágenes complejas, ya que no " "explotan la estructura espacial. Las redes convolucionales (CNN), tema de la siguiente " "semana, abordan precisamente esta limitación."), ("Colombia tiene el potencial para desarrollar IA aplicada a sus desafíos específicos " "(justicia, salud, agricultura), pero requiere inversión sostenida en talento humano, " "infraestructura y marcos regulatorios que garanticen un uso ético y equitativo."), ] for i, c in enumerate(conclusiones, 1): p = doc.add_paragraph(style='Normal') p.alignment = WD_ALIGN_PARAGRAPH.LEFT p.paragraph_format.line_spacing = Pt(23) p.paragraph_format.space_after = Pt(0) p.paragraph_format.left_indent = Cm(1.27) r = p.add_run(f"{i}. {c}") r.font.name = 'Calibri' r.font.size = Pt(11) # -------------------------------------------------------- # REFERENCIAS # -------------------------------------------------------- doc.add_paragraph() add_heading(doc, "Referencias", level=2) referencias = [ ("Ballard, W. (2018). Hands-on deep learning for images with TensorFlow: Build intelligent " "computer vision applications using TensorFlow and Keras (Chapter 3, pp. 33–51). " "Packt Publishing."), ("Consejo Nacional de Política Económica y Social [CONPES]. (2019). Documento CONPES 3975: " "Política Nacional para la Transformación Digital e Inteligencia Artificial. " "Departamento Nacional de Planeación."), ("Dadhich, A. (2018). Practical computer vision: Extract insightful information from images " "using TensorFlow, Keras, and OpenCV (Chapter 2, pp. 23–38). Packt Publishing."), ("Google Colaboratory. (s.f.). Google Colab. https://colab.research.google.com/"), ("Quiñones Huatangari, L., Ochoa Toledo, L., Gamarra Torres, O., Bazán Correa, J., Delgado " "Soto, J., & Kemper Valverde, N. (2020). Red neuronal artificial para estimar un índice de " "calidad de agua. Enfoque UTE, 11(2), 113-124. " "https://doi.org/10.29019/enfoque.v11n2.633"), ("TensorFlow. (s.f.). TensorFlow documentation. https://www.tensorflow.org/"), ] for ref in referencias: add_reference(doc, ref) # -------------------------------------------------------- # GUARDAR # -------------------------------------------------------- doc.save(SALIDA) print(f"✅ Documento generado: {SALIDA}") print(f" Integrantes: {', '.join(INTEGRANTES)}") print(f" Docente: {DOCENTE}") print(f" Semana: {SEMANA} | {NRC}") print(f"\n⚠️ Recuerde actualizar la URL de Google Colab en el documento.") print(f" URL actual (placeholder): {COLAB_URL}") if __name__ == '__main__': generar_documento()