Tema	Fórmula	Descripción / Uso
Regresión Lineal	$$h_\theta(x) = \theta_0 + \theta_1 x + \dots + \theta_n x_n$$	Hipótesis lineal para predicción de salida continua
	$$J(\theta) = \frac{1}{2m} \sum_{i=1}^m (h_\theta(x^{(i)}) - y^{(i)})^2$$	Función de costo (MSE) en regresión lineal
Regresión Logística	$$h_\theta(x) = \frac{1}{1 + e^{-\theta^T x}}$$	Función sigmoide que produce probabilidad de clase
	$$J(\theta) = -\frac{1}{m} \sum [y \log(h_\theta) + (1 - y) \log(1 - h_\theta)]$$	Costo log-loss o binary cross-entropy
Regularización	$$J(\theta) + \lambda \sum_{j=1}^n \theta_j^2$$ (L2)	Penalización para controlar sobreajuste (Ridge)
	$$J(\theta) + \lambda \sum_{j=1}^n | \theta_j|$$ (L1)	Penalización que induce sparsidad (Lasso)
PCA	$$Z = U^T X$$	Proyección de datos sobre componentes principales
	$$\Sigma = \frac{1}{m} X^T X$$	Matriz de covarianza para PCA
SVM	$$\min \frac{1}{2} |w|^2 + C \sum \xi_i$$	Objetivo de margen suave con penalización C
	$$K(x, x') = \exp(-\gamma |x - x'|^2)$$	Kernel RBF (gaussiano)
k-NN	$$\hat{y}_q = \frac{1}{k} \sum_{j=1}^k y_{NN_j}$$	Promedio de vecinos para regresión
	$$\text{dist}(x, x') = \sqrt{\sum_{i=1}^n (x_i - x'_i)^2}$$	Distancia euclidiana
Redes Neuronales	$$a^{(l)} = g(W^{(l)} a^{(l-1)} + b^{(l)})$$	Propagación hacia adelante en capa l
	$$\sigma(z) = \frac{1}{1 + e^{-z}}$$	Activación sigmoide
	$$\text{ReLU}(z) = \max(0, z)$$	Activación ReLU
	$$\text{softmax}(z_i) = \frac{e^{z_i}}{\sum_j e^{z_j}}$$	Probabilidades multiclase
Evaluación modelos	$$\text{Accuracy} = \frac{\text{# aciertos}}{\text{total de ejemplos}}$$	Métrica de exactitud
	$$\text{Precision} = \frac{TP}{TP + FP}$$	Proporción de verdaderos positivos entre predichos positivos
	$$\text{Recall} = \frac{TP}{TP + FN}$$	Proporción de positivos reales bien clasificados
	$$F_1 = 2 \cdot \frac{\text{precision} \cdot \text{recall}}{\text{precision} + \text{recall}}$$	Media armónica entre precisión y recall
	$$R^2 = 1 - \frac{SS_{res}}{SS_{tot}}$$	Coeficiente de determinación en regresión