$ cd ../
Gaussian Processes & Bayesian Optimization — bash

user@devops:~$ cat README.md

Gaussian Processes & Bayesian Optimization

# Descripción

Gaussian Processes (GP) para regresion y Bayesian Optimization (BO) para busqueda eficiente de optimos, implementados en Python con scikit-learn. Parte 1: GP Regression con incertidumbre calibrada (+-1sigma, +-2sigma), kernel RBF optimizado por maximize log-marginal-likelihood, 8 puntos de entrenamiento que producen una distribucion predictiva completa con bandas de confianza. Parte 2: Comparacion de 4 kernels -- RBF (isotropico, suave, length-scale unico), Matern nu=2.5 (semiflexible, 2x diferenciable), Matern nu=1.5 (mas aspero, 1x diferenciable) y RationalQuadratic (mezcla de longitudes de escala). Parte 3: Bayesian Optimization con funcion de adquisicion Expected Improvement (EI), loop BO de 25 iteraciones (modelar, adquirir, evaluar, actualizar) convergiendo al minimo global. Parte 4: Comparacion BO vs Random Search vs Grid Search en 30 evaluaciones -- BO converge mas rapido al minimo. Parte 5: Aplicacion real afinando hiperparametros de RandomForest (Wine dataset) -- espacio n_estimators x max_depth x min_samples_split, 20 iteraciones BO logran Accuracy 0.9607 vs 0.9606 (default RF). 5 visualizaciones.

$ ./deploy.sh $ git clone

# Características principales

$ Gaussian Process Regression con incertidumbre calibrada (+-1sigma, +-2sigma) y kernel RBF optimizado por maximize log-marginal-likelihood

$ Comparacion de 4 kernels: RBF, Matern (nu=2.5 y nu=1.5) y RationalQuadratic -- cada uno con propiedades de suavidad distintas

$ Bayesian Optimization con Expected Improvement (EI): loop de 25 iteraciones convergiendo al minimo global en funcion de coste negro

$ BO vs Random vs Grid Search: BO converge mas rapido al minimo con solo 30 evaluaciones

$ Aplicacion real: BO para afinar hiperparametros de RandomForest (n_estimators, max_depth, min_samples_split) -- Accuracy 0.9607 en Wine dataset

$ 5 visualizaciones: GP con incertidumbre, comparacion de kernels, adquisicion y progreso BO, convergencia comparada, y espacio de parametros

# Galería

Terminal del proyecto
Gaussian Processes & Bayesian Optimization - Terminal del proyecto
GP con incertidumbre calibrada
Gaussian Processes & Bayesian Optimization - GP con incertidumbre calibrada
Comparacion de 4 kernels
Gaussian Processes & Bayesian Optimization - Comparacion de 4 kernels
Adquisicion y progreso BO
Gaussian Processes & Bayesian Optimization - Adquisicion y progreso BO
BO vs Random vs Grid
Gaussian Processes & Bayesian Optimization - BO vs Random vs Grid
BO en RandomForest (convergencia)
Gaussian Processes & Bayesian Optimization - BO en RandomForest (convergencia)

# Tecnologías utilizadas

Python scikit-learn NumPy Matplotlib