Tarea3_AprendizajeSupervisado_UNAD

Tarea 3 - Algoritmos de Aprendizaje Supervisado (UNAD)

Este repositorio contiene el desarrollo completo de la Tarea 3 del curso Análisis de Datos de la Universidad Nacional Abierta y a Distancia (UNAD). El objetivo principal de esta actividad es aplicar modelos de aprendizaje automático supervisado a distintos conjuntos de datos reales, utilizando Python y Jupyter Notebooks.

🎯 Objetivo del proyecto

Aplicar algoritmos de Machine Learning supervisado —regresión lineal, regresión logística y árboles de decisión— para resolver problemas de predicción y clasificación. Se incluyen análisis exploratorios, procesos de preprocesamiento, entrenamiento, evaluación y visualización de resultados.

📁 Contenido del repositorio

├── regresion_lineal_vehicle.ipynb # Predicción de precio de autos usados ├── regresion_logistica_heart.ipynb # Clasificación de enfermedades cardíacas ├── arbol_decision_wine.ipynb # Clasificación de la calidad del vino ├── requirements.txt # Librerías necesarias ├── README.md # Descripción del proyecto └── img/ # Gráficas generadas durante el EDA y evaluación

Datasets utilizados • Vehicle Dataset Fuente: Kaggle – Vehicle Dataset from CarDekho Objetivo: Predecir el precio de venta de vehículos. • Heart Disease Dataset (Cleveland UCI) Fuente: Kaggle – Heart Disease Cleveland UCI Objetivo: Clasificar la presencia o ausencia de enfermedad cardíaca. • Red Wine Quality Dataset Fuente: Kaggle – Red Wine Quality Objetivo: Clasificar la calidad del vino tinto.

🧪 Tecnologías utilizadas • Python 3.x • Jupyter Notebooks • Pandas, Numpy • Matplotlib, Seaborn • Scikit-learn

📈 Resultados esperados • Visualización de correlaciones y valores atípicos. • Implementación correcta de los modelos supervisados. • Evaluación del rendimiento con métricas como R², Accuracy, Recall, F1-score y curva ROC. • Documentación clara y replicable para propósitos académicos.

👨‍💻 Autor

Juan Saavedra Estudiante de Ingeniería en la UNAD [https://github.com/Juancho2406/]