supervised-learning

Este repositorio proporciona una guía exhaustiva sobre el aprendizaje automático supervisado, comenzando con matemáticas fundamentales como derivadas, probabilidad y logaritmos. Utiliza un enfoque paso a paso para derivar conceptos matemáticos antes de pasar a herramientas modernas. Los componentes educativos clave incluyen: - Logistic Regression: Teoría e implementación desde cero utilizando el conjunto de datos Wisconsin Breast Cancer, junto con una implementación de grado de producción en PyTorch. - Decision Trees: Análisis teóricos profundos con implementaciones desde cero y aplicaciones prácticas para predecir los precios de la vivienda en Londres utilizando Scikit-learn, Random Forests y XGBoost. - ATLAS (Automated Tree Learning Analysis System): Un sistema para la ingeniería de características y la comparación de modelos. - Datasets: Integración de los conjuntos de datos Wisconsin Breast Cancer y London Housing Prices para tareas de clasificación y regresión. El material se entrega a través de cuadernos de Jupyter compatibles con Google Colab para su ejecución basada en el navegador.