Skip to content
Back to the catalog
Project neural-networkSystemsBeginnerReady to build

Una red neuronal desde cero

Construye y entrena una red neuronal con matemáticas puras: propagación hacia adelante, funciones de pérdida y descenso de gradiente.

Start this challengeBrowse other projects

Build it in your language

PythonTypeScript

The tester treats your program as a black box: any language works. These are just the most convenient ones for this project.

Guide language

EnglishEspañol

The stage guides read in this language. Only languages this project is fully translated into show up here; the interface language does not change.

What this project is about

El aprendizaje automático moderno parece complejo debido a frameworks enormes como PyTorch o TensorFlow, pero sus fundamentos se reducen a operaciones aritméticas elementales: sumas ponderadas, funciones de activación no lineales y cálculo de gradientes con la regla de la cadena.

En este proyecto construirás el núcleo de entrenamiento de una red neuronal desde cero, sin librerías externas de machine learning. Implementarás la combinación afín de una neurona, funciones de activación como ReLU y Sigmoide, métricas de pérdida como MSE y BCE, y el bucle de optimización con descenso de gradiente para clasificar datos de forma determinista.

Roadmap

6 stages across 3 phases. Every stage comes with its guide and its tests: you move on when they pass.

  1. Phase 12 stages

    Propagación hacia adelante y Activaciones

    Calcula la combinación lineal de entradas ponderadas y aplica funciones de activación no lineales.

    1. 01La neurona artificial y combinación lineal
    2. 02Funciones de activación no lineales
  2. Phase 22 stages

    Métricas de Pérdida y Gradientes

    Mide el error de predicción con MSE y BCE, y actualiza los parámetros mediante el gradiente descendente.

    1. 01Funciones de pérdida y cálculo de error
    2. 02Descenso de gradiente y actualización de parámetros
  3. Phase 32 stages

    Entrenamiento Completo e Inferencia

    Ejecuta épocas completas de optimización y realiza predicciones deterministas en clasificación binaria.

    1. 01La época de entrenamiento y retropropagación
    2. 02Entrenamiento convergente e inferencia

Before you start

Un motor CLI de cálculo, retropropagación y entrenamiento de neuronas artificiales que lee especificaciones en JSON, ejecuta épocas de optimización con descenso de gradiente y clasifica patrones lógicos.

Related challenges

  • container-runtime
    Beta

    Build your own container

    namespaces, cgroups and chroot. Isolate a process by hand and understand what Docker does when it starts an image.

    Expert8 stages~16 hSystems
    namespacescgroupsprocesos

    Go · C · Rust

  • garbage-collector
    Beta

    A garbage collector

    Mark-and-sweep from scratch. Manage memory the way the runtimes you use daily do without you noticing.

    Expert9 stages~18 hSystems
    memoriamark & sweeppunteros

    C · C++ · Rust

  • shell
    Beta

    Build your own shell

    fork, exec, pipes and redirection. Build a POSIX command interpreter that runs real programs.

    Intermediate12 stages~14 hSystems
    procesosforkexec+2

    C · Rust · Go · Zig