TABLA DE CONTENIDOS

I. Script de Entrenamiento de Modelos

1. Introducción

2. Librerías

3. Dataset Iris

4. División de Datos (stratify)

5. Modelo 1: Regresión Logística

6. Modelo 2: Árbol de Decisión

7. Comparación de Modelos

II. Estudio de Caso — ML en Sector Medico

8. Objeto de Estudio

9. Actores y Contextos

10. Objetivos

11. Dataset Breast Cancer

12. Procesamiento

13. Modelo A: Reg. Logística

14. Modelo B: Random Forest

15. Comparación

16. Conclusiones

17. Referencias APA

Descripcion del Trabajo

El presente trabajo cumple con los requerimientos de la actividad de la Semana 6 del curso Machine Learning (NRC-200). En el cuaderno de Jupyter implemento:

Parte I: Entrenamiento de dos modelos de clasificación (Regresion Logistica y Arbol de Decisión) sobre el dataset Iris, con división estratificada, predicciones, métricas y gráficos.

Parte II: Estudio de caso sobre la aplicación de ML en el sector médico. Se utilizan dos modelos (Regresion Logistica y Random Forest) para clasificar tumores como benignos o malignos sobre el dataset Breast Cancer Wisconsin, incluyendo análisis descriptivo, procesamiento, métricas comparativas y análisis de importancia de variables.

URL Google Colab:

https://colab.research.google.com/drive/1F-YkLVr1fnf9ZZuiJPGAgeZzdOg3syiJ

Referencias Bibliográficas (Normas APA 7.a Edicion)

Bonaccorso, G. (2018). Machine learning algorithms: Popular algorithms for data science and machine learning (pp. 104-140). Packt Publishing.

Campesato, O. (2020). Artificial intelligence, machine learning, and deep learning (pp. 23-57). Mercury Learning.

Cady, F. (2017). The data science handbook (pp. 165-170). John Wiley & Sons.

Lokanan, M., Tran, V., y Vuong, N. H. (2019). Detecting anomalies in financial statements using machine learning algorithm. Asian Journal of Accounting Research, 4(2), 181-201.

Ozdemir, R. y Turanli, M. (2024). Comparison and evaluation of classification algorithms. Journal of Business and Management Studies, 6, 59-73.

Pedregosa, F., et al. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825-2830.