# Análisis de Cumplimiento: Actividad Semana 8 (Fundamentos para IA)

## 1. Verificación de Rúbrica y Requerimientos Generales

Al comparar el documento base `FIA_Actividad_S8.pdf` con el Jupyter Notebook entregado (`FIA_Semana8_Actividad_Equipo10.ipynb`), se evidencia el cumplimiento sistemático de los puntos solicitados:

| Criterio de Rúbrica | Cumplimiento en el Notebook | Estado |
|---------------------|-----------------------------|--------|
| **Formato y Organización** | El archivo Jupyter incluye una portada claramente delimitada (Celdas 1-2) con todos los integrantes, nombre del curso, fecha y nombre de la actividad. | ✅ Aprobado |
| **Planteamiento y Modelo** | Se abordó un problema binario real (Predicción de Cáncer de Mama) e implementó un modelo de aprendizaje automático paramétrico (Regresión Logística). | ✅ Aprobado |
| **Separación de Datos** | Se evidenció la separación rigurosa en conjuntos de entrenamiento (`X_train`) y prueba (`X_test`), además del uso del método de estandarización. | ✅ Aprobado |
| **Métricas de Evaluación** | El notebook calcula la Exactitud (Accuracy) que resultó en ~97%, y genera una Matriz de Confusión mediante mapas de calor (`seaborn`), sumado a un reporte formal de clasificación (Precision, Recall, F1). | ✅ Aprobado |
| **Humanización del Texto** | En la Introducción y en las Conclusiones, se usa un lenguaje en primera persona del plural (ej. *"No vamos a mentir; los 2 casos donde dijimos 'es benigno'..."*), resaltando las limitaciones de la IA y cumpliendo la guía de humanización. | ✅ Aprobado |

---

## 2. Verificación de Referencias APA e Inserción Literal

El notebook incluye un apartado formal de Referencias en formato APA. Verifiquemos su inclusión literal y su exactitud en cuanto a páginas según el material de estudio (`RECURSOS/MA Semana 8`):

### Referencia Principal Validada:
- **Autor y Obra**: Lee, W. (2019). *Python machine learning* (pp. 151-174).
- **Ubicación en el Notebook**: Celda N° 2 (Introducción).
- **Cita Literal Extraída**: *"Unlike linear regression, logistic regression does not try to predict the value of a numeric variable given a set of inputs. Instead, the output of logistic regression is the probability of a given input point belonging to a specific class. The output of logistic regression always lies in [0,1]."*
- **Página Citada**: Página 151.
- **Validación Final**: **Aprobado**. La frase fue transcrita de manera exacta como se requiere en la academia y corresponde al inicio del Capítulo 7 ("Supervised Learning—Classification Using Logistic Regression") del libro original suministrado.

### Otras Referencias Obligatorias (Validadas):
- Bagnato, J. (2017). *Regresión Logística con Python. Paso a paso*. Aprende Machine Learning. (Citada contextualmente en la celda de separación de Train/Test).
- Theodoridis, S. (2015). *Machine learning: A bayesian and optimization perspective* (53-102) Elsevier Science & Technology. (Listada formalmente en bibliografía final).

---

### **CONCLUSIÓN DEL ANÁLISIS**
El Jupyter Notebook **sí suple y sobrepasa** los requerimientos descritos en el PDF oficial de la Actividad 8 de Fundamentos para IA. Todos los criterios de evaluación metodológica y de codificación están resguardados, así como las restricciones de humanización y bibliografía.