Este repositorio contiene implementaciones de algoritmos fundamentales de Machine Learning desarrollados desde cero en Python, con un enfoque en la comprensión profunda de los mecanismos de optimización y el comportamiento de las funciones de activación.
Implementación de un modelo de neurona simple (perceptrón) aplicado a problemas tanto de regresión como de clasificación.
- Algoritmos: Regla Delta, funciones de activación (sigmoide, escalón).
- Optimización: Análisis del Error Cuadrático Medio (ECM) y estudio de la convergencia.
- Comparativa: Validación de resultados obtenidos frente a las implementaciones de referencia en la librería
scikit-learn.
perceptronRegresion.ipynb: Notebook principal con la implementación lógica del modelo, celdas de entrenamiento y gráficas de rendimiento.Memoria.pdf: Documentación técnica detallada que incluye la justificación teórica, descripción de los métodos y el análisis de los resultados obtenidos.regresion_1.csv: Dataset utilizado para las pruebas de entrenamiento y validación del modelo.
- Python 3
- NumPy: Para el manejo de álgebra lineal y operaciones matriciales.
- Matplotlib: Para la generación de gráficas de error y visualización de la línea de regresión.
- Jupyter Notebooks: Como entorno de desarrollo interactivo.
- Clona el repositorio:
git clone [https://github.com/mariialuisasilva/ML-Algorithms-From-Scratch.git](https://github.com/mariialuisasilva/ML-Algorithms-From-Scratch.git)
- Asegúrate de tener instaladas las dependencias:
pip install numpy matplotlib jupyter
- Abre el archivo .ipynb en tu entorno de Jupyter o VS Code para ver la ejecución.
Proyecto realizado como parte de la asignatura de Aprendizaje Automático - Grado en Ingeniería Informática (Universidad de Huelva).