Este repositorio contiene proyectos de autoaprendizaje de Machine Learning desarrollados por Lorenzo Miñón. Los notebooks cubren diferentes algoritmos y técnicas utilizadas en el campo del aprendizaje automático, con ejemplos prácticos de implementación en Python usando bibliotecas como scikit-learn.

Contenido del Repositorio Algoritmos y Modelos: Elastic Net (ElasticNet.ipynb) Implementación del modelo de regularización Elastic Net que combina L1 y L2 para el ajuste de modelos de regresión. AdaBoost (AdaBoost.ipynb) Implementación de AdaBoost, un algoritmo de boosting que combina varios modelos débiles para crear un modelo fuerte. Decision Tree (DecisionTree.ipynb) Ejemplo de implementación de árboles de decisión, útiles para problemas de clasificación y regresión. Extra Trees (ExtraTrees.ipynb) Un ejemplo de clasificación con Extra Trees, un algoritmo basado en el uso de múltiples árboles de decisión. Gradient Boosting (GradientBoosting.ipynb) Implementación del algoritmo de Gradient Boosting para mejorar la precisión del modelo. Linear Regression (LinearReg.ipynb) Un modelo de regresión lineal básico para predecir una variable continua. Logistic Regression (LogisticRegression.ipynb) Clasificación binaria utilizando regresión logística. Naive Bayes (NaiveBayes.ipynb) Uso del clasificador Naive Bayes, ideal para tareas de clasificación con alta dimensionalidad. PCA (PCA.ipynb) Análisis de Componentes Principales (PCA) para reducción de dimensionalidad. Random Forest (RandomForest.ipynb) Un modelo de ensamble basado en múltiples árboles de decisión (Random Forests) para mejorar la precisión de la predicción. Support Vector Machines (SupportVectorMachines.ipynb) Clasificación con máquinas de soporte vectorial. Ridge Regression (ridge.ipynb) Implementación de Ridge, que utiliza regularización L2. Técnicas de Preprocesamiento: One Hot Encoding (1he.ipynb) Ejemplo de cómo codificar variables categóricas. Pipeline (Pipeline.ipynb) Uso de pipelines para encadenar pasos de preprocesamiento y modelado. Feature Scaling (ftscaling.ipynb) Escalado de características para asegurar que todas estén en la misma escala. Simple Imputer (SimpleImputer.ipynb) Imputación de valores faltantes en el conjunto de datos. Ordinal Encoder (ordinalencoder.ipynb) Codificación ordinal de variables categóricas. Validación y Optimización: Cross Validation (CrossValidation.ipynb) Validación cruzada para evaluar la generalización de los modelos. Hyperparameter Tuning (hyperparameters.ipynb) Ajuste de hiperparámetros utilizando GridSearchCV y RandomizedSearchCV.