{
  "fetched_at": "2026-10-20T02:08:20Z",
  "source_url": "https://www.kaggle.com/competitions/descubrir-senal-sonido-2025/data",
  "pages": [
    {
      "name": "data-description",
      "content": "Archivos son\n\n## Files\n\n*   **train.csv** - the training set\n*   **test.csv** - the test set\n*   **sample_submission.csv** - a sample submission file in the correct format\n\n## Columns\n\n*   `example_id` - definition of example_id\n*   `x` - valor de x\n* `TARGET` valor de y",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "Gradiente descendiente (15%), estaba en un parque de la ciudad y escuche un ruido constante. Entonces tomé mi celular y realice la grabación del sonido, observando la siguiente gráfica.\n\n \nCualquier sonido cosenoidal  tiene la forma y_hat =a * cos(bx + c) +  d, nuestro error debería ser LSE (Least Square Error) entonces nuestra función de error se puede escribir como e(x) = (y - y_hat)^2. Ahora con la función de error tenemos que derivar a,b,c y d=0 (Calcula el gradiente que son las derivadas parciales con respecto a a,b,c) y aplicar el algoritmo de gradiente descendiente (Considerando que el gradiente funciona solo con funciones convexas vamos a tomar la parte de la señal convexa, para encontrar los parámetros). \n\n**Goal:**  Cargue el archivo con la prediction e incluir en el github la solucion teorica\n\n\n```\ndef y_predict(a,b,c,d,x):\n    return a * math.cos(b*x + c) + d\n\nlr = 0.05\nn = len(x)\nbatch = 100\nepochs = 3000\nrsl = []\na = random.random()\nb = random.random()\nc = random.random()\nd = 0\nfor i in range(epochs):\n    a_gradiente = 0\n    b_gradiente = 0\n    c_gradiente = 0\n    d_gradiente = 0\n    e = 0\n    for m in range(batch):\n        ix = int(random.uniform(0,n))\n        e +=  (y[ix] - y_predict(a,b,c,d,x[ix]))* (y[ix] - y_predict(a,b,c,d,x[ix]))\n        a_gradiente += # * de/da\n        b_gradiente += # * de/db\n        c_gradiente += # * de/dc\n        \n    a = a - lr * a_gradiente/batch\n    b = b - lr * b_gradiente/batch\n    c = c - lr * c_gradiente/batch\n\n    e = e/batch\n    rsl.append([a,b,c,d,e])\n    print(f\"error:{e} period:{b} amplitude:{a} constant: {c} \")\n```\nRecuerden que el error es\n$$ e = { y- a* cos(bx+c) } ^2$$\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "La evaluacion del problema utilizara el mae del archivo enviado\n\n## Submission File\nCada identificador debe tener el valor de la prediccion :\n\n   example_id,TARGET\n    2,0\n    5,0\n    6,0\n    etc.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "No copias",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "abstract",
      "content": "\n\nPreview\nGradiente descendiente (15%), estaba en un parque de la ciudad y escuche un ruido constante. Entonces tomé mi celular y realice la grabación del sonido, observando la siguiente gráfica.\n\n \nCualquier sonido cosenoidal  tiene la forma y_hat =a * cos(bx + c) +  d, nuestro error debería ser LSE (Least Square Error) entonces nuestra función de error se puede escribir como e(x) = (y - y_hat)^2. Ahora con la función de error tenemos que derivar a,b,c y d=0 (Calcula el gradiente que son las derivadas parciales con respecto a a,b,c) y aplicar el algoritmo de gradiente descendiente (Considerando que el gradiente funciona solo con funciones convexas vamos a tomar la parte de la señal convexa, para encontrar los parámetros). \n\n**Goal:**  Cargue el archivo con la prediction e incluir en el github la solucion teorica\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}