Promedio por columna

Bienvenido a Unova. 🤖 La IA está en todos lados: recomendaciones, reconocimiento de voz, autos que se manejan solos. La base de casi todo eso es el Machine Learning (ML): en vez de programar las reglas, le mostrás ejemplos al modelo y aprende las reglas solo.

🎮 Analogía: entrenar un Pokémon

No le explicás a tu Pokémon cómo pelear con una fórmula: lo entrenás con experiencia y aprende. El ML es igual: le das datos y respuestas correctas, y el modelo aprende a responder por su cuenta.

Concepto	Qué es
X (features)	los datos de entrada (ej: ataque y defensa)
y (etiquetas)	la respuesta correcta (ej: el tipo)
.fit(X, y)	entrenar con ejemplos
.predict(...)	usar el modelo para predecir algo nuevo

🧠 Tu primer modelo (KNN)

Usamos un clasificador de vecinos cercanos: para predecir, mira a los ejemplos más parecidos y copia su respuesta. Tocá ▶ ejecutar (la primera vez tarda: descarga scikit-learn).

from sklearn.neighbors import KNeighborsClassifier

# datos: [ataque, defensa]  ->  tipo: 0 = Fuego, 1 = Agua
X = [[90, 40], [85, 45], [40, 90], [45, 85]]
y = [0, 0, 1, 1]

modelo = KNeighborsClassifier(n_neighbors=1)
modelo.fit(X, y)            # 🏋️ entrenamos

# ¿qué tipo es un Pokémon con ataque 88 y defensa 42?
print(modelo.predict([[88, 42]]))   # [0] -> ¡Fuego!
print(modelo.predict([[42, 88]]))   # [1] -> ¡Agua!

P: ¿Qué hace `modelo.fit(X, y)`?
- Predice los tipos de los Pokémon en `X`
+ Entrena el modelo usando los datos `X` y las respuestas correctas `y`
- Evalúa qué tan preciso es el modelo
> `fit` es la etapa de **entrenamiento**: el modelo aprende el patrón mirando los ejemplos `X` y sus respuestas `y`. Después de `fit` podés usar `predict`.

🔄 El ciclo del ML

from sklearn.neighbors import KNeighborsClassifier

# 1) datos de ejemplo
X = [[10, 1], [9, 2], [1, 10], [2, 9]]
y = ["rápido", "rápido", "lento", "lento"]

# 2) elegir y entrenar un modelo
modelo = KNeighborsClassifier(n_neighbors=1).fit(X, y)

# 3) predecir algo nuevo
print(modelo.predict([[8, 3]]))   # ['rápido']

Siempre los mismos 3 pasos: datos → entrenar (fit) → predecir (predict).

P: ¿Qué es `X` en un modelo de Machine Learning?
- Las respuestas correctas que el modelo tiene que aprender
- El nombre del modelo que vamos a entrenar
+ Los datos de entrada (features) que el modelo usa para aprender
> `X` son las **features**: los datos de cada ejemplo (ej: ataque y defensa). `y` son las **etiquetas**: las respuestas correctas (ej: el tipo del Pokémon).

📝 Resumen

Cosa	Para qué
Machine Learning	aprender reglas a partir de ejemplos
X / y	datos de entrada / respuestas
modelo.fit(X, y)	entrenar
modelo.predict([fila])	predecir
KNeighborsClassifier	clasifica mirando a los más parecidos

➡️ ¿Y ahora qué?

Practicá con los ejercicios de este tema. 💪