Este laboratorio se enfoca en la implementación de algoritmos de regresión lineal, regresión logística y K-Nearest Neighbors para identificar sitios de phishing. El trabajo se realiza en grupos de hasta tres integrantes. (Yo decido trabajar de forma individual)
- Task 1: Implementación de un modelo de regresión lineal.
- Task 2: Implementación de modelos de clasificación para identificar sitios de phishing.
- 2.1: Regresión Logística.
- 2.2: K-Nearest Neighbors.
- Realizar una exploración y procesamiento adecuado de los datos.
- Implementar los algoritmos mencionados.
- Comparar las implementaciones desde cero con las realizadas usando librerías como Scikit-learn.
- Justificar la elección de métricas de desempeño.
Antes de comenzar a trabajar en el notebook, es necesario instalar las dependencias requeridas. Estas dependencias están especificadas en el archivo requirements.txt. Para instalarlas, ejecute el siguiente comando en su terminal:
pip install -r requirements.txt
-
Abre tu terminal y navega al directorio del proyecto.
-
Ejecuta Jupyter Notebook:
jupyter notebook -
Abre el archivo
.ipynben la interfaz de Jupyter que se abre en tu navegador.