Cubiles de la Vega, María DoloresInfante Rodríguez, Joaquín2025-07-282025-07-282025-06-02Anónimo (2025). Modelos de clasificación de imágenes con redes de aprendizaje profundo. (Trabajo Fin de Grado Inédito). Universidad de Sevilla, Sevilla.https://hdl.handle.net/11441/175691En la actualidad, la Inteligencia Artificial está presente en múltiples aspectos de la vida cotidiana, desde asistentes virtuales, traducción automática o sistemas de recomendación, hasta aplicaciones más especializadas como el diagnóstico médico por imagen. Este progreso ha sido impulsado, en gran medida, por los avances en el aprendizaje automático (Machine Learning) y, especialmente, en el aprendizaje profundo (Deep Learning), un subcampo del Machine Learning capaz de extraer representaciones jerárquicas y complejas a partir de grandes volúmenes de datos. El presente trabajo se centra en el estudio de modelos de clasificación de imágenes basados en redes de aprendizaje profundo, abordando tanto los fundamentos teóricos como su aplicación práctica. En primer lugar, se introducen los conceptos básicos del reconocimiento visual y se analizan métodos clásicos de extracción de características, junto con técnicas de selección y reducción de variables. A continuación, se presentan las Redes Neuronales Artificiales (ANN), explicando su arquitectura, funciones de activación, algoritmos de optimización y el proceso de entrenamiento mediante retropropagación del error (backpropagation). Posteriormente, se profundiza en las Redes Neuronales Convolucionales (CNN), que constituyen actualmente la aplicación más extendida del Deep Learning en tareas de clasificación de imágenes. Se describen su funcionamiento, sus ventajas estructurales y las principales arquitecturas conocidas. El estudio se completa con un análisis experimental desarrollado en lenguaje Python basado en dos conjuntos de datos, seleccionados con el fin de abordar distintos tipos de imágenes: un conjunto de imágenes en formato RGB de frutas, y otro en escala de grises de resonancias magnéticas cerebrales (MRI), clasificadas por tipo de tumor. En ambos casos, se entrenan y comparan modelos ANN y CNN con el objetivo de analizar hasta qué punto las redes convolucionales, por su diseño más especializado, ofrecen un rendimiento significativamente superior frente a arquitecturas más básicas en tareas de clasificación visual.Artificial Intelligence is currently present in many aspects of everyday life, ranging from virtual assistants, automatic translation, and recommendation systems to more specialized applications such as medical image diagnosis. This progress has been largely driven by advances in Machine Learning and, in particular, Deep Learning, a subfield of Machine Learning capable of extracting hierarchical and complex representations from large volumes of data. This work focuses on the study of image classification models based on deep learning architectures, covering both theoretical foundations and practical implementation. It begins with an introduction to the fundamentals of visual recognition and the analysis of classical feature extraction methods, along with variable selection and dimensionality reduction techniques. The study then addresses Artificial Neural Networks (ANN), explaining their architecture, activation functions, optimization algorithms, and the training process via backpropagation. Next, it delves into Convolutional Neural Networks (CNN), which currently represent the most widely used application of Deep Learning for image classification tasks. Their functioning, structural advantages, and main well-known architectures are described. The work concludes with an experimental analysis developed in the Python programming language, based on two datasets selected to cover different image types: a set of RGB images of fruits and a set of grayscale magnetic resonance images (MRI) of human brains, classified by tumor type. In both cases, ANN and CNN models are trained and compared with the aim of evaluating to what extent convolutional networks, due to their more specialized design, offer significantly better performance than simpler architectures in visual classification tasks. viiiapplication/pdfspainfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/openAccess