Red neuronal simple en Clojure

GIF demostrativo

Lo que queria trabajr en este proyetcoi era el diseño y creacion completa d ela red feed-forward en Clojure para demostrar de manera clara, y visul cómo un modelo aprende una frontera de decisión no lineal. La red clasifica puntos 2D según si están dentro o fuera de un círculo. Es un ejemplo sencillo diseñado como proyecto de practica splicnaod distintos conocimientod acerca del funcionamiento y creeacion de redes

---

Descripción general

El objetivo de esta demo es mostrar paso a paso el aprendizaje de una red neuronal con una arquitectura mínima:

• Entradas: 2 valores numéricos (x1, x2)
• Capa oculta: 8 neuronas con activación ReLU
• Capa de salida: 1 neurona con activación sigmoide
• Entrenamiento: descenso de gradiente estocástico (SGD)
• Función de pérdida: binary cross-entropy

La tarea del modelo es distinguir si un punto está:

• Dentro del círculo (etiqueta 1)
• Fuera del círculo (etiqueta 0)

El dataset se genera sintéticamente, por lo que el proyecto no depende de archivos externos.

---

Características principales del proyecto

• Implementación manual de forward, backpropagation y actualización de pesos
• Métricas claras: pérdida promedio, accuracy, matriz de confusión
• Evolución visible del aprendizaje época por época
• Código modular:
  • data.clj (dataset sintético)
  • nn.clj (red neuronal)
  • display.clj (salida numérica)
  • core.clj (pipeline de entrenamiento)
• Sin dependencias externas pesadas
• Demostración ideal para reclutadores y para alguien no experto en Clojure

---

Estructura del repositorio

clj-simple-nn/
  deps.edn
  README.md
  src/
    clj_simple_nn/
      core.clj
      data.clj
      nn.clj
      display.clj

---

Cómo ejecutar el proyecto

Requisitos:

• Java 11+
• Clojure CLI tools instaladas

Comando para ejecutar:

clj -M -m clj-simple-nn.core

---

Resultados del entrenamiento

Se entrenó el modelo durante 50 épocas con una tasa de aprendizaje de 0.1. Los resultados fueron los siguientes:

Evolución durante el entrenamiento (extracto)

En las primeras épocas:

• Epoch 1

  • Train accuracy: 80.5 % — loss: 0.5985
  • Test accuracy: 75.0 % — loss: 0.5257

• Epoch 2

  • Train accuracy: 92.8 % — loss: 0.3284
  • Test accuracy: 91.5 % — loss: 0.2510

En las últimas épocas el modelo converge:

• Epoch 49

  • Train accuracy: 98.5 %
  • Test accuracy: 95.5 %

• Epoch 50

  • Train accuracy: 97.8 %
  • Test accuracy: 95.5 %

---

Resumen final del aprendizaje

Train accuracy: 97.8 %    loss: 0.0586
Test  accuracy: 95.5 %    loss: 0.1348

Matriz de confusión (TEST):
TP: 68   FP: 4
TN: 123  FN: 5

Interpretación:

• El modelo comete solo 9 errores sobre 200 ejemplos de prueba.
• La diferencia entre entrenamiento y prueba es pequeña, señal de buena generalización.
• La red aprendió de forma estable la frontera circular del problema.

---

Explicación didáctica para alguien no técnico

El sistema genera muchos puntos en un plano. Algunos están dentro de un círculo y otros fuera. La red neuronal ve las coordenadas de cada punto y aprende a decidir en qué categoría cae. Con cada repetición (epoch) ajusta sus parámetros para mejorar su porcentaje de aciertos. Al final logra más del 95 % de precisión.

---

---

Extensiones posibles

• Visualización de la frontera de decisión en 2D
• Conexión con datasets reales (por ejemplo, señales de trading)
• Reemplazar el dataset sintético por retornos de mercado
• Añadir tests unitarios para funciones puras

---

Estado del proyecto

Completamente funcional y listo para demostración. Ideal como pieza de portafolio para roles de:

• Backend funcional
• Clojure development
• Data engineering
• Machine learning básico