Resumen en español

Este estudio tiene como objetivo comprobar la capacidad de un modelo de red neuronal convolucional (CNN) \textit{ad hoc} para ordenar las señas del alfabeto de la lengua de señas americana (American Sign Language) (ASL). Inicialmente, se realizó una búsqueda exhaustiva en Kaggle para identificar un conjunto de datos adecuado que cumpliera los requisitos del proyecto. Posteriormente, se realizó un preprocesamiento detallado de las imágenes, en el que se ajustaron las dimensiones y se normalizaron los valores de los píxeles para garantizar la coherencia de los datos. Además, se generaron vectores únicos para las etiquetas de clasificación, lo que facilitó su uso en la red neuronal. Posteriormente, se configuró el entorno de desarrollo Kaggle utilizando Keras y TensorFlow, para aprovechar la potencia del acelerador GPU en el procesamiento de datos de manera eficiente y rápida. Se diseñó la red neuronal para adaptarse a diferentes números de clases de ASL, permitiendo la evaluación de la capacidad del modelo para manejar varios niveles de complejidad de clasificación. Para la optimización de hiper-parámetros, se utilizó Optuna, una herramienta para explorar diferentes combinaciones durante el entrenamiento de forma eficiente. Por último, se obtuvieron modelos finales con parámetros optimizados y se compararon con modelos no optimizados en términos de rendimiento y eficacia. Esta comparación puso de manifiesto la importancia de la optimización en el rendimiento y la eficiencia de los modelos CNN.