## 📜 Reglas Competencia

Esta competencia está diseñada como una experiencia formativa colaborativa, con el objetivo de que los estudiantes apliquen y experimenten con arquitecturas modernas de redes neuronales convolucionales (CNNs) y técnicas de Transfer Learning. Las siguientes reglas aplican para todos los participantes:

### 👥 Formación de equipos

* La clase se dividirá en **dos equipos**, cada uno con un máximo de **6 integrantes**.
* Dentro de cada equipo, se fomenta que **cada participante trabaje con una arquitectura CNN diferente**.
* Al menos algunos integrantes deberán emplear modelos **preentrenados**, aplicando técnicas de Transfer Learning con arquitecturas como **VGG-16**, **ResNet** o **EfficientNet**.

### 📁 Entregables individuales obligatorios

Cada integrante deberá:

1. Entrenar un modelo utilizando el conjunto de datos proporcionado (`train/`) y validar su desempeño.
2. Entregar un **notebook personal de entrenamiento y validación**, mostrando claramente:

   * La arquitectura utilizada
   * Los hiperparámetros
   * Las curvas de pérdida y exactitud durante el entrenamiento
   * Evaluación del modelo con métricas adecuadas
3. Subir el modelo entrenado en formato `.h5` o `.keras`.
4. Crear en su cuenta personal de **Kaggle** un **modelo guardado** y un **notebook de inferencia**, donde se muestre la clasificación de al menos **10 imágenes de pizza y 10 de steak** del conjunto de prueba (`test/`).

### 🏁 Requisitos para calificar en la leaderboard

Para que un participante tenga derecho a aparecer en el leaderboard y ser considerado en la evaluación final, deberá cumplir con **todos** los siguientes requisitos:

* Haber entregado su **notebook de entrenamiento y validación**.
* Haber subido el archivo de su modelo entrenado (`.h5` o `.keras`).
* Haber creado un notebook de inferencia en Kaggle mostrando el procesamiento de al menos **10 imágenes de cada clase**.
* Subir un archivo `submission.csv` con predicciones completas sobre las 200 imágenes especificadas para evaluación (100 de pizza y 100 de steak).


### 🤖 Uso de GenAI (ChatGPT, Gemini, etc.)

El uso de herramientas de Inteligencia Artificial Generativa como **ChatGPT**, **Gemini** u otras plataformas similares está permitido como apoyo durante el desarrollo del proyecto. No obstante, se **recomienda ampliamente que cada estudiante comprenda a fondo el código que se genere**, sus implicaciones y su funcionamiento. La competencia tiene un carácter formativo, por lo que se espera que los participantes construyan conocimiento genuino a partir de lo que produzcan.

El profesor se reserva el derecho de **descalificar a cualquier integrante** cuyo trabajo refleje un uso evidente de *copy & paste* sin comprensión, o que no sea capaz de explicar el funcionamiento del modelo, las métricas o el código entregado.

---

## ✅ Checklist de Entrega Individual

Cada participante deberá cumplir con los siguientes entregables **para poder ser considerado en la evaluación final y en el leaderboard**:

| Ítem | Descripción                                                                                                                                           | Estado |
| ---- | ----------------------------------------------------------------------------------------------------------------------------------------------------- | ------ |
| 📁 1 | Notebook personal de **entrenamiento y validación del modelo**, mostrando arquitectura, parámetros, curvas de aprendizaje y métricas.                 | ☐      |
| 🧠 2 | Modelo entrenado guardado en formato `.h5` o `.keras` (puede ser descargable desde el notebook o adjuntado en Kaggle Models).                         | ☐      |
| 📸 3 | Notebook de **inferencia en Kaggle**, que muestre al menos **10 imágenes de pizza y 10 de steak**, junto con sus predicciones.                        | ☐      |
| 📦 4 | Archivo `submission.csv` con predicciones para las **200 imágenes oficiales** (100 de `test/pizza`, 100 de `test/steak`), en el formato especificado. | ☐      |
| 🧬 5 | Evidencia del uso o no uso de Transfer Learning (Feature Extraction o Fine Tuning) en caso de haber usado modelos preentrenados.                      | ☐      |
| 👤 6 | Todos los notebooks deben estar publicados en el **perfil personal de Kaggle** del estudiante.                                                        | ☐      |
| 🎓 7 | El estudiante debe ser capaz de **explicar su modelo, su código y su razonamiento** en caso de ser consultado por el profesor.                        | ☐      |

---

### 🕒 Fecha límite de entrega:

Todos los elementos deberán estar completos **antes de la fecha de cierre oficial de la competencia**. Entregas incompletas no serán consideradas para la calificación ni el leaderboard.