updated 1

davidalejandro04 · davidalejandro04 · commit 79bb5eb5a837 · 2019-09-05T00:14:31.000-05:00
diff --git a/9ML/.ipynb_checkpoints/1_IntroML-checkpoint.ipynb b/9ML/.ipynb_checkpoints/1_IntroML-checkpoint.ipynb
@@ -4,7 +4,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "# Machine Learning\n",
+    "# 1. Machine Learning\n",
     "\n",
     "## Qué es Machine Learning?\n",
     "\n",
@@ -81,12 +81,12 @@
    "source": [
     "\n",
     "\n",
-    "# Aprendizaje Supervisado: Regresión Lineal\n",
+    "# 2. Aprendizaje Supervisado: Regresión Lineal\n",
     "\n",
     "A partir de un conjunto de variables de entrada, se busca predecir una característica objetivo de salida. Se denota una pareja $(x^{(i)},y^{(i)})$, la muestra de entrenamiento y el conjunto desde $i=1,...,n$ es denotado, conjunto de entrenamiento. El objetivo es a partir de nuestro conjunto deentrada $\\mathcal{X}$ obtener una hipótesis $h:\\mathcal{X} \\rightarrow \\mathcal{Y}$. Cuando $y$ únicamente puede tomar un pequeño número de valores discretos, se dice que este es un problema de clasificación. \n",
     "\n",
     "\n",
-    "# Regresión Lineal\n",
+    "## 2.1 Regresión Lineal\n",
     "\n",
     "Para realizar aprendizaje supervisado, se necesita decidir cómo representar funciones hipótesis $h$. Inicialmente, es posible decidir representarlas como funciones lineales de x:\n",
     "\n",
@@ -183,10 +183,10 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "## Mínimos cuadrados\n",
-    "Es claro que a partir de la función de costo $J(\\theta)$ que se definió previamente, el parámetro óptimo que se puede obtener utilizando mínimos cuadrados es $\\hat{\\theta}=X^T X\\theta - X^T \\vec{y}$.\n",
+    "# 3. Mínimos cuadrados\n",
+    "Es claro que a partir de la función de costo $J(\\theta)$ que se definió previamente, el parámetro óptimo que se puede obtener utilizando mínimos cuadrados es $\\hat{\\theta}=(X^T X)^{-1}X^T \\vec{y}$. Sin embargo, no siempre es factible llegar a esta solución debido a distintas ra\n",
     "\n",
-    "## Interpretación probabilística \n",
+    "## 3.1 Interpretación probabilística \n",
     "\n",
     "Cuando se tiene un problema de regresión es común pensar en por qué la escogencia de la función de costo $J$ es apropiada. Asumamos que el target y las entradas están relacionadas a través de \n",
     "\n",
diff --git a/9ML/1_IntroML.ipynb b/9ML/1_IntroML.ipynb
@@ -4,7 +4,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "# Machine Learning\n",
+    "# 1. Machine Learning\n",
     "\n",
     "## Qué es Machine Learning?\n",
     "\n",
@@ -81,12 +81,12 @@
    "source": [
     "\n",
     "\n",
-    "# Aprendizaje Supervisado: Regresión Lineal\n",
+    "# 2. Aprendizaje Supervisado: Regresión Lineal\n",
     "\n",
     "A partir de un conjunto de variables de entrada, se busca predecir una característica objetivo de salida. Se denota una pareja $(x^{(i)},y^{(i)})$, la muestra de entrenamiento y el conjunto desde $i=1,...,n$ es denotado, conjunto de entrenamiento. El objetivo es a partir de nuestro conjunto deentrada $\\mathcal{X}$ obtener una hipótesis $h:\\mathcal{X} \\rightarrow \\mathcal{Y}$. Cuando $y$ únicamente puede tomar un pequeño número de valores discretos, se dice que este es un problema de clasificación. \n",
     "\n",
     "\n",
-    "# Regresión Lineal\n",
+    "## 2.1 Regresión Lineal\n",
     "\n",
     "Para realizar aprendizaje supervisado, se necesita decidir cómo representar funciones hipótesis $h$. Inicialmente, es posible decidir representarlas como funciones lineales de x:\n",
     "\n",
@@ -183,10 +183,10 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "## Mínimos cuadrados\n",
+    "# 3. Mínimos cuadrados\n",
     "Es claro que a partir de la función de costo $J(\\theta)$ que se definió previamente, el parámetro óptimo que se puede obtener utilizando mínimos cuadrados es $\\hat{\\theta}=(X^T X)^{-1}X^T \\vec{y}$. Sin embargo, no siempre es factible llegar a esta solución debido a distintas ra\n",
     "\n",
-    "## Interpretación probabilística \n",
+    "## 3.1 Interpretación probabilística \n",
     "\n",
     "Cuando se tiene un problema de regresión es común pensar en por qué la escogencia de la función de costo $J$ es apropiada. Asumamos que el target y las entradas están relacionadas a través de \n",
     "\n",
