Portafolio de Aprendizaje

 Introducción.- La interpolacion polinomial es el método para determinar un polinomio que se ajuste a un conjunto de puntos dados. Existen varios enfoques para la interpolacion polinómica, los los cuales uno de los más conocidos es el método lagrangiano. En esta publicación se presenta el método lagrangiano de interpolacion de polinomios y como realizar el procedimiento en Python. Antecedentes.- La interpolación de Lagrange, nombrada en honor a Joseph-Louis Lagrange, es un método matemático para encontrar un polinomio que pase exactamente por un conjunto dado de puntos. Aunque el método lleva el nombre de Lagrange, su desarrollo y aplicación tienen una historia más rica y compleja que involucra a varios matemáticos a lo largo de los años. Joseph Louis Lagrange Orígenes Tempranos: La idea de la interpolación, es decir, encontrar una función que pase por un conjunto de puntos dados, tiene sus raíces en la matemática antigua, pero comenzó a tomar forma más concreta con el trabajo de m...

 Introducción.- Los modelos de aprendizaje automático se construyen con el objetivo de hacer predicciones o tomar decisiones basadas en datos. Para evaluar la eficacia de estos modelos, es crucial separar los datos disponibles en dos conjuntos distintos: uno para el entrenamiento y otro para el testeo. Esta práctica es fundamental en el campo de la ciencia de datos y el aprendizaje automático, y a continuación, se presenta una introducción a la misma. Concepto de Entrenamiento y Testeo.- Entrenamiento: El conjunto de entrenamiento es utilizado para construir y afinar el modelo. Durante este proceso, el algoritmo de aprendizaje automático utiliza estos datos para aprender patrones, relaciones y características. En el entrenamiento, se ajustan los parámetros del modelo para minimizar errores, como la diferencia entre las predicciones del modelo y los valores reales. Testeo: El conjunto de testeo, por otro lado, se utiliza para evaluar la efectividad del modelo. Son datos que el model...

Introduccion.- Python es un lenguaje de programación de alto nivel, es decir las sintaxis que se suele usar es fácil de leer para un ser humano, a comparación de otros lenguajes como java y c++, ya que la filosofía del lenguaje es proporcionar una sintaxis muy limpia y que beneficie con código leíble. (Challenger-Pérez et al., 2014) Python es una de las herramientas tecnológicas que en los últimos años se ha hecho muy popular, gracias a varias razones como:  La cantidad de librerías que contiene.  La rapidez con la que se crean los programas.  Es multiplataforma (se puede desarrollar y ejecutar programas en, Linux, Windows, Mac, Android y otros).  Python es gratuito, incluso para propósitos empresariales Características del lenguaje.-  Propósito general Con Python se pueden construir todo tipo de programas. Se podrían crear aplicaciones de escritorio o web, usarlo para automatizar tareas en servidores, o quizá usarlo como una gran calculadora. Lo más interesante...

 Introducción.- La máquina de soporte vectorial (SVM, por sus siglas en inglés) es un modelo de aprendizaje supervisado que se utiliza en el campo de la ciencia de datos y el aprendizaje automático. Este modelo es especialmente eficaz para la clasificación y la regresión en conjuntos de datos de alta dimensión. Las SVM, son métodos de clasificación basado en discriminantes lineales de márgen máximo, es decir, el objetivo es encontrar el hiperplano óptimo que maximiza la brecha o el margen entre las clases. Además, podemos usar el truco del núcleo para encontrar el límite de decisión no lineal óptimo entre las clases, que corresponde a un hiperplano en un espacio "no lineal" de alta dimensión. Los Vectores de soporte y margen son puntos de datos más cercanos al hiperplano son conocidos como vectores de soporte. El SVM maximiza el margen entre estos vectores de soporte y el hiperplano. Cuanto mayor es el margen, mejor es la generalización del modelo. Cuando los datos no son lin...

 Introducción.- El aprendizaje supervisado es una técnica usada en minería de datos, en la que se genera una función de pronóstico a partir del entrenamiento previo sobre datos etiquetados. Es decir, aprendemos a partir de casos reales y extrapolamos el resultado a los casos futuros. El proceso habitual consiste en dividir la muestra en dos conjuntos, uno de entrenamiento y otro de prueba. Los datos de entrenamiento son utilizados para ajustar un modelo de predicción y los datos de prueba se emplean para comprobar el comportamiento del modelo estimado. Estos dos conjuntos son disjuntos y existen diferentes formas para escogerlos. Los modelos de aprendizaje supervisado, se denominan habitualmente modelos de clasificación ya que su objetivo es agrupar en conjuntos con características semejantes, y la variable respuesta es el grupo al que pertenece cada elemento. Cuando se aplica cualquier método de clasificación, se pueden cometer dos errores, en el caso de una variable binaria que t...