Regresión de Viviendas: Boston Housing con PyTorch 🏠

Este proyecto utiliza una Red Neuronal Artificial (ANN) para resolver un problema de regresión: predecir el valor mediano de las viviendas en Boston basándose en variables sociodemográficas y del entorno.

🎯 Descripción del Proyecto

El Boston Housing Dataset es un conjunto de datos clásico que contiene información recogida por el Servicio del Censo de los EE.UU. sobre la vivienda en el área de Boston. Consta de 506 registros con 13 variables predictoras y una variable objetivo (MEDV).

Desafíos Técnicos:

• Escalado de Datos: Las variables tienen rangos muy distintos (ej. CRIM vs TAX). Es crítico normalizar los datos para que el modelo converja correctamente.
• Naturaleza Continua: Al ser un problema de regresión, el objetivo no es clasificar, sino minimizar la diferencia numérica entre el precio real y el predicho.

🧠 Arquitectura de la Red (MLP)

He implementado un Perceptrón Multicapa (MLP) diseñado para alta precisión en regresión:

• Entrada: 13 neuronas (una por cada característica: RM, LSTAT, PTRATIO, etc.).
• Capas Ocultas: Dos capas densas de 50 neuronas cada una con funciones de activación ReLU.
• Salida: 1 neurona con activación Lineal para predecir el valor continuo del precio (en miles de dólares).

💻 Acceso Rápido al Código

Puedes explorar el proceso de carga, normalización, entrenamiento y las gráficas de pérdida en el cuaderno principal:

👉 Abrir el Jupyter Notebook: red_neuronal_boston.ipynb

🛠️ Instalación y Configuración

El proyecto está gestionado con pyproject.toml y optimizado para detectar automáticamente GPU (GTX 1050) o CPU.

1. Clonar el repositorio:

   git clone https://github.com/Alexisfpy/boston-ai-regression-pytorch.git
   cd boston-ai-regression-pytorch

2. Crear y activar el entorno virtual Para este proyecto usaremos -> Python 3.14

   uv python pin 3.14

   Una vez instalado o si ya tenías Python 3, siguiente comando:

   python -m venv .venv

   En Windows

   .venv\Scripts\activate

   En Linux/macOs

   source .venv/bin/activate

3. Instalar dependencias

   Este proyecto utiliza un archivo pyproject.toml para gestionar sus paquetes. Con el entorno virtual activado, instala todas las dependencias automáticamente ejecutando:

   pip install .

   o

   uv sync

🚀 Cómo ejecutarlo

En Visual Studio Code (Recomendado)

1. Abre la carpeta del proyecto en VS Code.

2. Abre el archivo notebooks/sonar_classification.ipynb.

3. Haz clic en "Select Kernel" (arriba a la derecha) y elige el entorno virtual .venv.

4. Ejecuta las celdas para ver el entrenamiento y los resultados en tiempo real.

Uso de Modelo entrenado

Puedes cargar los pesos del modelo (.pth) para realizar inferencia rápida:

import torch
model.load_state_dict(torch.load('modelos/modelo_boston_entrenado.pth'))
model.eval()

📂 Estructura del Repositorio

├── data/               # Dataset housing.csv
├── modelos/            # Pesos del modelo guardados (.pth)
├── notebooks/          # Notebook interactivo de entrenamiento
├── pyproject.toml      # Configuración de dependencias (uv)
└── README.md           # Documentación del proyecto

📄 Licencia

Este proyecto está bajo la Licencia MIT - mira el archivo LICENSE para más detalles.