1. Algoritmos Utilizados 💡
   1. Random Forests:
      1. Predicción: Basada en años de educación y experiencia.
      2. Problema: Sobreajuste.
   2. Support Vector Machines (SVMs):🏹
      1. Predicción: Funciones lineales.
      2. Problema: Subajuste.
2. Desafíos Comunes 💪
   1. Distribución Irregular:
      1. Datos no uniformemente distribuidos.
   2. Ruido en los Datos:
      1. Variabilidad no explicada por los factores considerados.
   3. Curse of Dimensionality:
      1. A mayor número de características, mayor riesgo de sobreajuste.
3. Scikit-learn
   1. Es una biblioteca de Python
   2. Ventajas:
      1. Accesible:
         1. Herramientas simples y eficientes para análisis predictivo de datos.
      2. Integrado sobre bibliotecas como
         1. NumPy
         2. SciPy
      3. Funcionalidades: Incluye módulos
         1. clasificación
         2. regresión
         3. clustering
         4. reducción de dimensionalidad
         5. selección de modelos
         6. preprocesamiento.
4. Tipos de Modelos
   1. Supervisado
      1. Entrenamiento: Usa datos etiquetados (con respuestas conocidas).
      2. Ejemplo: Predicción de salarios usando años de educación y experiencia laboral.
      3. Problemas: Sobreajuste (overfitting) si el modelo se adapta demasiado a los datos de entrenamiento.
   2. No Supervisado
      1. Entrenamiento: Usa datos sin etiquetas (sin respuestas conocidas).
      2. Ejemplo: Agrupación de clientes en segmentos de mercado.
      3. Problemas: Subajuste (underfitting) si el modelo no captura la complejidad de los datos.
5. ¿Qué es un modelo de Machine Learning?
   1. Algoritmo que aprende patrones a partir de datos para hacer predicciones o tomar decisiones.