Merge branch 'main' of https://github.com/elJulioDev/Neural_Network

Author: elJulioDev

README.md

@@ -4,7 +4,7 @@ Este proyecto es una librería de Deep Learning ligera y modular desarrollada í
 
 Está diseñada para ser escalable y educativa, permitiendo la creación de arquitecturas personalizadas para resolver problemas de clasificación binaria y regresión, como el clásico problema XOR.
 
-## 🚀 Características Principales
+## Características Principales
 * **Arquitectura Modular:**
     * **Diseño Orientado a Objetos:** Separación lógica entre Neuronas, Capas (`Layer`) y el Orquestador (`NeuralNetwork`).
     * **Activaciones Flexibles:** Implementación de funciones `Sigmoid`, `ReLU` y `LeakyReLU` intercambiables por capa.
@@ -20,21 +20,21 @@ Está diseñada para ser escalable y educativa, permitiendo la creación de arqu
 * **Visualización:**
     * Integración con `matplotlib` para generar curvas de aprendizaje y monitorear la convergencia del error en tiempo real.
 
-## 🛠️ Tecnologías Utilizadas
+## Tecnologías Utilizadas
 El proyecto utiliza un stack enfocado en el cálculo numérico y la eficiencia matemática:
 * **Lenguaje:** Python 3.10+
 * **Cálculo Numérico:** NumPy (Álgebra lineal, operaciones matriciales).
 * **Empaquetado:** Setuptools (Estructura de librería instalable).
 * **Visualización:** Matplotlib (Gráficos de curvas de pérdida).
 * **Testing:** Unittest (Pruebas unitarias para neuronas, capas y pérdidas).
 
-## 📋 Pre-requisitos
+## Pre-requisitos
 Asegúrate de tener instalado y configurado lo siguiente:
 * Python 3.8 o superior
 * Git
 * Virtualenv (recomendado)
 
-## 🔧 Instalación y Configuración
+## Instalación y Configuración
 Sigue estos pasos para levantar el proyecto en tu entorno local:
 
 1. **Clonar el repositorio:**
@@ -69,9 +69,9 @@ python -m unittest discover tests
 python main.py
 ```
 
-## 🔐 Uso del Sistema
+## Uso del Sistema
 La librería está diseñada para ser intuitiva. Aquí tienes un ejemplo de cómo configurar una red para clasificación:
-```bash
+```python
 import numpy as np
 from src.neural_network import NeuralNetwork
 from src.activations import LeakyReLU, Sigmoid
@@ -93,7 +93,42 @@ nn.train(X, y, epochs=10000, learning_rate=0.1)
 predicciones = nn.predict(X)
 ```
 
-## 📂 Estructura del Proyecto
+## Integración en Proyectos Reales (Ej. Django/Flask)
+
+Gracias a que `NeuralNetwork` es un paquete instalable, puedes integrarlo fácilmente en backends web.
+
+1. **Instalar la librería en tu otro proyecto:**
+```bash
+# Desde la carpeta de tu proyecto Django
+pip install git+[https://github.com/elJulioDev/neural_network.git](https://github.com/elJulioDev/neural_network.git)
+```
+
+2. **Ejemplo de uso en una vista de Django (views.py):**
+```python
+from django.http import JsonResponse
+from neural_network import NeuralNetwork
+import numpy as np
+import os
+
+# Cargar el modelo entrenado (Singleton recomendado para producción)
+MODEL_PATH = os.path.join(os.path.dirname(__file__), 'modelos', 'xor_model.pkl')
+ai_model = NeuralNetwork.load_model(MODEL_PATH)
+
+def predecir_view(request):
+    # Suponiendo que recibes datos [0, 1]
+    datos_entrada = np.array([[0, 1]]) 
+
+    # Realizar inferencia
+    prediccion = ai_model.predict(datos_entrada)
+
+    return JsonResponse({
+        'input': [0, 1],
+        'prediccion': float(prediccion[0][0]),
+        'clase': 1 if prediccion > 0.5 else 0
+    })
+```
+
+## Estructura del Proyecto
 ```text
 neural_network/
 ├── src/                            # Código fuente de la librería
@@ -114,8 +149,5 @@ neural_network/
 └── .gitignore                      # Archivos ignorados
 ```
 
-## 👥 Créditos
-Este proyecto ha sido desarrollado por **Alexis González** como parte de una investigación profunda sobre los fundamentos matemáticos de la Inteligencia Artificial.
-
-## 📄 Licencia
+## Licencia
 Este proyecto es de uso educativo y personal. Se distribuye bajo la licencia MIT.