El taller será práctico, y se esperara que realice: 

### Envíos: 
Para la competencia se espera que: 
- envíen un archivo con los resultados a Kaggle haciendo un submission 

En cuanto a ML se espera que realice:

### Entendimiento y preparación de datos

### Feature Engineering

### KNN y Reg Log (Refresquemos)

### Modelos de arboles y sus criterios de particionamiento
- CART 
- ID3

### modelos de ensamble

### SVM

### evaluación de métricas

### Implementación de protocolos de validación

### Optimización de hiperparametros

### Competencia (ver lineamientos Intu)

Para la competencia se tendrá en cuenta los resultados con la métrica de F1-Score. A parte del dataset provisto a cada grupo, se tendrá un dataset de validación no accesible directamente por los estudiantes, pero que se scoreará con cada submisión de resultados sobre un dataset privado.
Cada grupo deberá predecir la probabilidad de complicación de un paciente con Cáncer de Mama para instancia del test set, y se deberá subir un archivo a esta competencia de Kaggle con los resultados, únicamente dos columnas `ID` y `Target`, separadas por comas, tal como se muestra en el siguiente ejemplo: 

    ID,TARGET
    20012,0
    1,1
    etc.