Análisis de sentimiento en reseñas con LSTM

Problema

Clasificar reseñas de películas como positivas o negativas requiere capturar dependencias semánticas a lo largo de cientos de palabras. Las redes densas clásicas ignoran el orden del texto; las RNN simples pierden contexto en secuencias largas por el gradiente desvaneciente.

Solución

Serie de iteraciones sobre el dataset IMDB: LSTM pura, CNN+LSTM, Bidirectional LSTM y Stacked LSTM, con embeddings propios y fine-tuning de GloVe preentrenado. Callbacks (EarlyStopping + ReduceLROnPlateau) para entrenar de forma eficiente y evitar sobreajuste.

Arquitecturas comparadas

LSTM pura: puerta de olvido, entrada y salida — captura dependencias temporales unidireccionales
Bidirectional LSTM: procesa la secuencia en ambas direcciones — mejor comprensión del contexto completo
CNN + LSTM: CNN extrae n-gramas locales → LSTM captura la secuencia de patrones
Stacked LSTM: capas LSTM apiladas para mayor capacidad de representación

Embeddings y resultados

Embeddings propios entrenados desde cero vs. GloVe preentrenado con fine-tuning
Mejor resultado: Bidirectional LSTM con 87.66% de test accuracy en IMDB
Callbacks EarlyStopping + ReduceLROnPlateau: mejora de ~83% a ~87%
SpatialDropout1D entre capas de embedding para regularización específica de secuencias

Análisis de sentimiento en reseñas con LSTM

Problema

Solución

Arquitecturas comparadas

Embeddings y resultados

Clasificador de imágenes con CNN

Redes neuronales DNN: XOR y Fashion MNIST