Aprende cómo la regresión supervisada convierte datos etiquetados en predicciones numéricas en siete notebooks Jupyter. Pasarás del concepto de aprendizaje supervisado a mínimos cuadrados, expansión polinómica, comparación por error y regularización Ridge y LASSO.
El curso combina derivaciones con Python y scikit-learn. Ejemplos de viviendas, vacunas, Bitcoin y matrices sintéticas permiten ajustar curvas, evaluar predicciones, reconocer complejidad perjudicial y entender cómo la regularización cambia coeficientes.
Lo que aprenderás
- Distinguir aprendizaje supervisado, regresión y clasificación
- Derivar mínimos cuadrados e implementar regresión lineal con NumPy
- Ajustar modelos lineales a datos de viviendas de Boston y Pekín
- Evaluar predicciones de vivienda e inspeccionar coeficientes
- Crear características polinómicas, comparar ajustes y elegir grado mediante error
- Ajustar Bitcoin histórico con regresión polinómica de tercer y mayor grado
- Explicar mínimos cuadrados mal condicionados y comparar Ridge y LASSO
- Calcular coeficientes Ridge directamente y compararlos con scikit-learn
A quién va dirigido este curso
Este curso es para estudiantes de Python que desean comprender la mecánica de regresión y no tratar estimadores como cajas negras. Sirve al iniciar aprendizaje supervisado y conectar fórmulas, matrices, gráficos y APIs. Las secciones matemáticas y tareas exigen más que conocimientos del primer día de Python.
Requisitos previos: Se recomiendan Python, NumPy, Pandas, gráficos, álgebra y matrices simples. Ayuda conocer datos train/test y funciones; no se requiere experiencia previa en regresión.
Entorno de aprendizaje: Las siete actividades se ejecutan en un entorno Jupyter Ubuntu 22.04 proporcionado, con explicaciones, visualizaciones, datos, ejemplos y código para completar.
Preguntas frecuentes
¿Deriva fórmulas o solo usa scikit-learn?
Ambas cosas. Calcularás mínimos cuadrados y coeficientes Ridge, implementarás pasos con NumPy y SciPy y compararás los resultados con modelos scikit-learn.
¿Qué ejemplos de predicción incluye?
Viviendas de Boston y Pekín, datos de vacunas para ajuste polinómico, Bitcoin histórico y una matriz de Hilbert que muestra inestabilidad de mínimos cuadrados.
¿Cómo se evalúan los modelos?
Se usan datos reservados, comparaciones visuales, error absoluto medio y error cuadrático medio. Los ejercicios comparan grados para mostrar el efecto de la complejidad.
¿El laboratorio de Bitcoin predice precios actuales o da asesoramiento financiero?
No. Ajusta curvas a datos históricos de 2010–2018 como ejercicio. No es un sistema en vivo ni debe guiar inversiones.
