🤖 Machine Learning

Repositorio de aprendizaje progresivo de Machine Learning con notebooks prácticos en Python.

---

📁 Estructura del proyecto

MACHINE_LEARNING/
│
├── README.md
├── requirements.txt
├── main.py
│
├── data/                        ← datasets de laboratorios
│   └── concrete.csv
│
└── notebooks/                   ← laboratorios y proyecto final
    ├── 01-regresion-lineal/
    ├── 02-regresion-logistica/
    ├── 03-regresion-logistica-gd/
    ├── 04-mlp-capas-fijas/
    ├── 05-mlp-matricial/
    ├── 06-metodos-supervisados/
    └── 07-proyecto-final/
        └── data/                ← datasets específicos del proyecto
            ├── adult.csv
            └── housing.csv

---

📓 Laboratorios

#	Laboratorio	Temas	Dataset
01	Regresión Lineal	OLS, estandarización, polinomial, sesgo-varianza	data/concrete.csv
02	Regresión Logística	OLS vs logística, sigmoide, outliers, métricas de clasificación	Sintético (make_classification)
03	Logística con Gradient Descent	BCE, gradiente vectorizado, GD manual, clase con API sklearn	Sintético (NumPy)
04	MLP desde Cero	Forward pass, backpropagation escalar, SGD, Early Stopping, feature scaling	Breast Cancer (sklearn)
05A	MLP Matricial — CCE	MLP vectorizado, ReLU, Softmax, CCE, inicializaciones (Normal/Xavier/He)	Sintético (make_moons)
05B	MLP Matricial — MSE	MLP vectorizado, regresión, identidad, MSE, superficie 3D	Sintético (NumPy)
06	Métodos Supervisados	LDA, SVM, KNN, Árboles, Random Forest, XGBoost; impacto de normalización en clasificación y regresión	Wine & California Housing (sklearn)

---

🎓 Proyecto Final

Entrega	Notebook	Temas	Datasets
Parcial	Entrega Parcial	EDA, preprocesamiento, regresión lineal y logística con GD desde cero	adult.csv, housing.csv
Final	—	MLP configurable, comparación con modelos lineales	adult.csv, housing.csv

---

🚀 Cómo ejecutar

Opción 1 — Local

git clone https://github.com/tu-usuario/MACHINE_LEARNING.git
cd MACHINE_LEARNING
pip install -r requirements.txt
jupyter notebook

Opción 2 — Google Colab

Reemplaza github.com por githubtocolab.com en la URL de cualquier notebook, o haz clic en el enlace y luego en "Open in Colab".

Para el proyecto final, sube la carpeta 07-proyecto-final/data/ a tu entorno de Colab o monta tu Google Drive antes de ejecutar.

---

🛠️ Requisitos

numpy>=1.24.0
pandas>=2.0.0
matplotlib>=3.7.0
scikit-learn>=1.3.0
xgboost>=2.0.0
plotly>=5.0.0
jupyter>=1.0.0
notebook>=7.0.0

Ver requirements.txt para la lista completa.

---

📌 Notas

• Los laboratorios 01–06 son ejercicios guiados con celdas # TODO y análisis de resultados.
• El lab 05 usa el patrón Strategy para intercambiar inicializaciones sin duplicar código.
• El lab 06 compara algoritmos clásicos de sklearn y XGBoost, analizando qué modelos son sensibles a la escala y cuáles son invariantes.
• El proyecto final (07) implementa pipelines completos sobre datos reales con clases en NumPy.
• Los datasets de laboratorio están en data/; los del proyecto en notebooks/07-proyecto-final/data/.