## 🧠 Objetivo

El objetivo principal de esta competencia es que los estudiantes desarrollen una comprensión práctica y profunda sobre el entrenamiento de **redes neuronales convolucionales (CNNs)** para tareas de clasificación de imágenes.

A través del diseño, entrenamiento y evaluación de modelos de visión por computadora, los participantes aprenderán a:

* Construir arquitecturas convolucionales desde cero usando **Keras y TensorFlow**.
* Comprender los elementos fundamentales de una CNN: capas convolucionales, *pooling*, normalización y funciones de activación.
* Comprender el efecto de amplicación de imágenes (Image Augmentation=
* Aplicar técnicas modernas de **Transfer Learning**, utilizando modelos preentrenados como **VGG, ResNet, MobileNet, EfficientNet**, entre otros, disponibles en la biblioteca de Keras.
* Diferenciar entre las estrategias de:

  * **Feature Extraction**: usar los modelos preentrenados como extractores de características fijas.
  * **Fine Tuning**: reentrenar algunas capas superiores del modelo base para ajustarlas al nuevo conjunto de datos.

Esta competencia está diseñada no solo para evaluar la capacidad técnica de construir modelos precisos, sino también para fomentar buenas prácticas de ingeniería de modelos, como la validación cruzada, la prevención del sobreajuste (*overfitting*) y la documentación del proceso de entrenamiento.