Edwinh273

                      "Nunca consideres el estudio como una                                                  obligación, sino como una oportunidad de triunfar."


bootcamp en Inteligencia Artificial - Nivel Básico -

  • Regresión Lineal y su Aplicación en la Inteligencia Artificial. 

1. Introducción a la Regresión Lineal:

"Pensemos en esto: cuando buscamos una casa, casi siempre asumimos que entre más grande sea (X), más cara será (¿Y?).     Nadie nos lo enseñó formalmente, pero lo sabemos… porque estamos acostumbrados a ver esa relación."

La idea es simple, si sabemos cómo cambiará Y en referencia a X, podemos anticipar los resultados.

Se llama lineal porque se acerca a una línea recta y donde más alto sea X más costoso podría ser Y (a mayor número de metros cuadrado, mayor el costo)

Si bien podemos decir que es uno de los modelos más simples, al mismo tiempo es una de los más importantes por que enseña a la IA a:

  • Aprender de datos

  • encontrar patrones

Se pueden mostrar datos históricos, ajustar los valores en las líneas y predecir valores nuevos.

"Antes de que una máquina sea inteligente, primero tiene que aprender a trazar una línea y esa línea es la regresión lineal."

Imagen animada GIF

2. Modelo Matemático y Aprendizaje del Modelo:

Todos, de alguna forma, hacemos modelos mentales. Cuando decimos: 'más experiencia, mejor salario', ya estamos usando un modelo… solo que no lo hemos escrito.

Lo anterior es intuición, la regresión lineal lo convierte en una ecuación matemática.  Vamos a entender cómo funciona la ecuación para luego aplicarla a un algoritmo,

Y = a + bx

El ejemplo es la venta de helados, sabemos que cuando la temperatura es de 25º, siempre venderemos 10 helados, pero cuando la temperatura aumenta, se venden 5 helados por grado de aumento.

Y = variable a encontrar (cantidad de venta de helados)

a = base de venta de helados

b = Impulso, o sea que hace que se vendan más o menos helados

x = Temperatura

y = a + bx

y = 10 (helados) + 5 (30-25)  

y = 10 + 5 x (5)

Resultado final y = 35 helados                                                       

Cómo podemos ver algo que intuimos lo podemos pasar a un algoritmo y este a su vez nos ayuda a ser predictivo, estable y fácil de interpretar.

Simulador Modelo Regresión Lineal

Ingresa

3. Regresión Lineal dentro de la Inteligencia Artificial:

  • Objetivo: Conectar la teoría matemática de la regresión lineal con su aplicación real en la Inteligencia Artificial, mostrando cómo una ecuación simple se convierte en un algoritmo capaz de aprender de datos y hacer predicciones. 
La idea clave es demostrar que la IA no empieza con robots, sino con modelos matemáticos sencillos aplicados a datos reales.
  • ¿QUÉ PAPEL CUMPLE LA REGRESIÓN LINEAL EN LA IA?  En Inteligencia Artificial, la regresión lineal es uno de los primeros algoritmos de Machine Learning, y se utiliza para: 

           *  Analizar relaciones entre variables

           *  Aprender patrones a partir de datos históricos

           *  Predecir valores futuros

Proyección

4. Implementación práctica: Algoritmo en Python:

PUNTOS CLAVES PARA EXPLICAR EN LA EXPOSICIÓN

🔹 1. Datos de entrenamiento

"El modelo aprende a partir de datos reales (horas de estudio y notas)."

🔹 2. Promedios

"La regresión lineal busca una recta que se ajuste al comportamiento promedio de los datos."

🔹 3. Pendiente (m)

"La pendiente indica cuánto aumenta la nota por cada hora adicional de estudio."

🔹 4. Intercepto (b)

"Es el valor estimado cuando no hay horas de estudio."

🔹 5. Predicción

"El modelo puede predecir una nota para nuevas horas de estudio."