Código Python: Programa que calcula o prezo estimado dunha vivenda según o tamaño

from sklearn.linear_model import LinearRegression

# Datos de exemplo, podes cambialos se non se adecúan á túa realidade
metros_cadrados = [[50], [100], [150], [200]]
prezos = [150000, 300000, 450000, 600000]       # en euros

# Crear modelo
modelo = LinearRegression()
modelo.fit(metros_cadrados, prezos)

# Facer predicción
precio_predito = modelo.predict([[120]])     # Podes cambiar este dato 120 para facer outras predicións
print("O prezo estimado para 120 m² é:", precio_predito)
    

from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
import numpy as np

# Datos de ejemplo
metros_cadrados = [[50], [100], [150], [200]]
prezos = [180500, 305403, 459000, 659000]  # en euros

# Crear modelo
modelo = LinearRegression()
modelo.fit(metros_cadrados, prezos)

# Hacer predicción
novo_dato = [[120]]  # Nuevo dato en metros cuadrados
precio_predito = modelo.predict(novo_dato)
print("O prezo estimado para 120 m² é:", precio_predicho)

# Graficar a regresión
plt.figure(figsize=(10, 6))

# Graficar os puntos orixinais (datos de entrenamento)
plt.scatter(metros_cadrados, prezos, color='blue', label='Datos orixinais', s=100)

# Graficaro novo punto (dato predit)
plt.scatter(novo_dato, precio_predito, color='black', label='Novo dato (120 m²)', s=150, edgecolor='white')

# Graficar la línea de regresión
x_range = np.linspace(min(metros_cuadrados)[0], max(metros_cuadrados)[0], 100).reshape(-1, 1)
y_range = modelo.predict(x_range)
plt.plot(x_range, y_range, color='red', label='Líña de regresión')

# Personalizar gráfico
plt.title('Regresión Lineal: Prezo dunha casa en función do tamaño', fontsize=16)
plt.xlabel('Metros cadrados (m²)', fontsize=12)
plt.ylabel('Prezo en euros (€)', fontsize=12)
plt.legend(fontsize=10)
plt.grid(True)

# Mostrar gráfico
plt.show()
    

Código Python: Programa para realizar a gráfica de agrupamento de estudandes según o rendemento

#O clustering ou agrupamento é unha técnica moi utilizada en intelixencia artificial, especificamente na aprendizaxe non supervisada. 
#Consiste en agrupar datos (neste caso, estudantes) en categorías baseadas en características similares. 
#Non se require etiquetar previamente os datos; en cambio, o algoritmo identifica patróns para formar grupos ou clústeres.


import pandas as pd
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
import seaborn as sns

# Crear o DataFrame con datos
data = pd.DataFrame({
    'Estudante': [f'Estudante {i+1}' for i in range(24)],
    'Matemáticas': [8, 5, 7, 3, 10, 6, 4, 9, 2, 5, 7, 3, 6, 8, 5, 4, 3, 2, 9, 7, 6, 4, 5, 8],
    'Ciencias': [7, 4, 6, 2, 9, 5, 3, 8, 1, 6, 8, 4, 7, 9, 5, 3, 2, 1, 10, 8, 7, 3, 4, 7]
})

# Usar só as columnas numéricas para o clustering
X = data[['Matemáticas', 'Ciencias']]

# Crear o modelo K-means con 3 clústeres
kmeans = KMeans(n_clusters=3, random_state=0)
data['Cluster'] = kmeans.fit_predict(X)  # Etiquetar cada estudiante co seu clúster

# Visualizar os centros dos clústeres
centros = kmeans.cluster_centers_

# Crear gráfico de dispersión para ver os clústeres
plt.figure(figsize=(10, 6))
sns.scatterplot(
    data=data,
    x='Matemáticas',
    y='Ciencias',
    hue='Cluster',
    palette='coolwarm',
    s=100
)

# Engadir os centros dos clústeres ó gráfico
plt.scatter(centros[:, 0], centros[:, 1], c='black', s=200, marker='X', label='Centros')
plt.title('Clustering de Estudantes según o Rendemento', fontsize=16)
plt.xlabel('Puntuación en Matemáticas')
plt.ylabel('Puntuación en Ciencias')
plt.legend(title='Grupo')
plt.grid(color='gray', linestyle='--', linewidth=0.5)
plt.show()