From ff3fca7c751aa6424874a541a3748a38eb5c9f8e Mon Sep 17 00:00:00 2001
From: Angel Mendez <amendez1988@gmail.com>
Date: Fri, 11 Feb 2022 10:00:50 -0600
Subject: [PATCH 01/13] feat: Add file content to translate

---
 .../3-Linear/translations/README.es.md        | 333 ++++++++++++++++++
 1 file changed, 333 insertions(+)
 create mode 100644 2-Regression/3-Linear/translations/README.es.md

diff --git a/2-Regression/3-Linear/translations/README.es.md b/2-Regression/3-Linear/translations/README.es.md
new file mode 100644
index 00000000..c2fe1389
--- /dev/null
+++ b/2-Regression/3-Linear/translations/README.es.md
@@ -0,0 +1,333 @@
+# Build a regression model using Scikit-learn: regression two ways
+
+![Linear vs polynomial regression infographic](./images/linear-polynomial.png)
+> Infographic by [Dasani Madipalli](https://twitter.com/dasani_decoded)
+## [Pre-lecture quiz](https://white-water-09ec41f0f.azurestaticapps.net/quiz/13/)
+
+> ### [This lesson is available in R!](./solution/R/lesson_3-R.ipynb)
+### Introduction 
+
+So far you have explored what regression is with sample data gathered from the pumpkin pricing dataset that we will use throughout this lesson. You have also visualized it using Matplotlib. 
+
+Now you are ready to dive deeper into regression for ML. In this lesson, you will learn more about two types of regression: _basic linear regression_ and _polynomial regression_, along with some of the math underlying these techniques.
+
+> Throughout this curriculum, we assume minimal knowledge of math, and seek to make it accessible for students coming from other fields, so watch for notes, 🧮 callouts, diagrams, and other learning tools to aid in comprehension.
+
+### Prerequisite
+
+You should be familiar by now with the structure of the pumpkin data that we are examining. You can find it preloaded and pre-cleaned in this lesson's _notebook.ipynb_ file. In the file, the pumpkin price is displayed per bushel in a new dataframe.  Make sure you can run these notebooks in kernels in Visual Studio Code.
+
+### Preparation
+
+As a reminder, you are loading this data so as to ask questions of it. 
+
+- When is the best time to buy pumpkins? 
+- What price can I expect of a case of miniature pumpkins?
+- Should I buy them in half-bushel baskets or by the 1 1/9 bushel box?
+Let's keep digging into this data.
+
+In the previous lesson, you created a Pandas dataframe and populated it with part of the original dataset, standardizing the pricing by the bushel. By doing that, however, you were only able to gather about 400 datapoints and only for the fall months. 
+
+Take a look at the data that we preloaded in this lesson's accompanying notebook. The data is preloaded and an initial scatterplot is charted to show month data. Maybe we can get a little more detail about the nature of the data by cleaning it more.
+
+## A linear regression line
+
+As you learned in Lesson 1, the goal of a linear regression exercise is to be able to plot a line to:
+
+- **Show variable relationships**. Show the relationship between variables
+- **Make predictions**. Make accurate predictions on where a new datapoint would fall in relationship to that line. 
+ 
+It is typical of **Least-Squares Regression** to draw this type of line. The term 'least-squares' means that all the datapoints surrounding the regression line are squared and then added up. Ideally, that final sum is as small as possible, because we want a low number of errors, or `least-squares`. 
+
+We do so since we want to model a line that has the least cumulative distance from all of our data points. We also square the terms before adding them since we are concerned with its magnitude rather than its direction.
+
+> **🧮 Show me the math** 
+> 
+> This line, called the _line of best fit_ can be expressed by [an equation](https://en.wikipedia.org/wiki/Simple_linear_regression): 
+> 
+> ```
+> Y = a + bX
+> ```
+>
+> `X` is the 'explanatory variable'. `Y` is the 'dependent variable'. The slope of the line is `b` and `a` is the y-intercept, which refers to the value of `Y` when `X = 0`. 
+>
+>![calculate the slope](images/slope.png)
+>
+> First, calculate the slope `b`. Infographic by [Jen Looper](https://twitter.com/jenlooper)
+>
+> In other words, and referring to our pumpkin data's original question: "predict the price of a pumpkin per bushel by month", `X` would refer to the price and `Y` would refer to the month of sale. 
+>
+>![complete the equation](images/calculation.png)
+>
+> Calculate the value of Y. If you're paying around $4, it must be April! Infographic by [Jen Looper](https://twitter.com/jenlooper)
+>
+> The math that calculates the line must demonstrate the slope of the line, which is also dependent on the intercept, or where `Y` is situated when `X = 0`.
+>
+> You can observe the method of calculation for these values on the [Math is Fun](https://www.mathsisfun.com/data/least-squares-regression.html) web site. Also visit [this Least-squares calculator](https://www.mathsisfun.com/data/least-squares-calculator.html) to watch how the numbers' values impact the line.
+
+## Correlation
+
+One more term to understand is the **Correlation Coefficient** between given X and Y variables. Using a scatterplot, you can quickly visualize this coefficient. A plot with datapoints scattered in a neat line have high correlation, but a plot with datapoints scattered everywhere between X and Y have a low correlation.
+
+A good linear regression model will be one that has a high (nearer to 1 than 0) Correlation Coefficient using the Least-Squares Regression method with a line of regression.
+
+✅ Run the notebook accompanying this lesson and look at the City to Price scatterplot. Does the data associating City to Price for pumpkin sales seem to have high or low correlation, according to your visual interpretation of the scatterplot? 
+
+
+## Prepare your data for regression
+
+Now that you have an understanding of the math behind this exercise, create a Regression model to see if you can predict which package of pumpkins will have the best pumpkin prices. Someone buying pumpkins for a holiday pumpkin patch might want this information to be able to optimize their purchases of pumpkin packages for the patch.
+
+Since you'll use Scikit-learn, there's no reason to do this by hand (although you could!). In the main data-processing block of your lesson notebook, add a library from Scikit-learn to automatically convert all string data to numbers:
+
+```python
+from sklearn.preprocessing import LabelEncoder
+
+new_pumpkins.iloc[:, 0:-1] = new_pumpkins.iloc[:, 0:-1].apply(LabelEncoder().fit_transform)
+```
+
+If you look at the new_pumpkins dataframe now, you see that all the strings are now numeric. This makes it harder for you to read but much more intelligible for Scikit-learn!
+Now you can make more educated decisions (not just based on eyeballing a scatterplot) about the data that is best suited to regression.
+
+Try to find a good correlation between two points of your data to potentially build a good predictive model. As it turns out, there's only weak correlation between the City and Price:
+
+```python
+print(new_pumpkins['City'].corr(new_pumpkins['Price']))
+0.32363971816089226
+```
+
+However there's a bit better correlation between the Package and its Price. That makes sense, right? Normally, the bigger the produce box, the higher the price.
+
+```python
+print(new_pumpkins['Package'].corr(new_pumpkins['Price']))
+0.6061712937226021
+```
+
+A good question to ask of this data will be: 'What price can I expect of a given pumpkin package?'
+
+Let's build this regression model
+
+## Building a linear model
+
+Before building your model, do one more tidy-up of your data. Drop any null data and check once more what the data looks like.
+
+```python
+new_pumpkins.dropna(inplace=True)
+new_pumpkins.info()
+```
+
+Then, create a new dataframe from this minimal set and print it out:
+
+```python
+new_columns = ['Package', 'Price']
+lin_pumpkins = new_pumpkins.drop([c for c in new_pumpkins.columns if c not in new_columns], axis='columns')
+
+lin_pumpkins
+```
+
+```output
+	Package	Price
+70	0	13.636364
+71	0	16.363636
+72	0	16.363636
+73	0	15.454545
+74	0	13.636364
+...	...	...
+1738	2	30.000000
+1739	2	28.750000
+1740	2	25.750000
+1741	2	24.000000
+1742	2	24.000000
+415 rows × 2 columns
+```
+
+1. Now you can assign your X and y coordinate data:
+
+   ```python
+   X = lin_pumpkins.values[:, :1]
+   y = lin_pumpkins.values[:, 1:2]
+   ```
+✅ What's going on here? You're using [Python slice notation](https://stackoverflow.com/questions/509211/understanding-slice-notation/509295#509295) to create arrays to populate `X` and `y`.
+
+2. Next, start the regression model-building routines:
+
+   ```python
+   from sklearn.linear_model import LinearRegression
+   from sklearn.metrics import r2_score, mean_squared_error, mean_absolute_error
+   from sklearn.model_selection import train_test_split
+
+   X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)
+   lin_reg = LinearRegression()
+   lin_reg.fit(X_train,y_train)
+
+   pred = lin_reg.predict(X_test)
+
+   accuracy_score = lin_reg.score(X_train,y_train)
+   print('Model Accuracy: ', accuracy_score)
+   ```
+
+   Because the correlation isn't particularly good, the model produced isn't terribly accurate.
+
+   ```output
+   Model Accuracy:  0.3315342327998987
+   ```
+
+3. You can visualize the line that's drawn in the process:
+
+   ```python
+   plt.scatter(X_test, y_test,  color='black')
+   plt.plot(X_test, pred, color='blue', linewidth=3)
+
+   plt.xlabel('Package')
+   plt.ylabel('Price')
+
+   plt.show()
+   ```
+   ![A scatterplot showing package to price relationship](./images/linear.png)
+
+4. Test the model against a hypothetical variety:
+
+   ```python
+   lin_reg.predict( np.array([ [2.75] ]) )
+   ```
+   
+   The returned price for this mythological Variety is:
+
+   ```output
+   array([[33.15655975]])
+   ```
+
+That number makes sense, if the logic of the regression line holds true.
+
+🎃 Congratulations, you just created a model that can help predict the price of a few varieties of pumpkins. Your holiday pumpkin patch will be beautiful. But you can probably create a better model!
+## Polynomial regression
+
+Another type of linear regression is polynomial regression. While sometimes there's a linear relationship between variables - the bigger the pumpkin in volume, the higher the price - sometimes these relationships can't be plotted as a plane or straight line. 
+
+✅ Here are [some more examples](https://online.stat.psu.edu/stat501/lesson/9/9.8) of data that could use polynomial regression
+
+Take another look at the relationship between Variety to Price in the previous plot. Does this scatterplot seem like it should necessarily be analyzed by a straight line? Perhaps not. In this case, you can try polynomial regression.
+
+✅ Polynomials are mathematical expressions that might consist of one or more variables and coefficients
+
+Polynomial regression creates a curved line to better fit nonlinear data. 
+
+1. Let's recreate a dataframe populated with a segment of the original pumpkin data:
+
+   ```python
+   new_columns = ['Variety', 'Package', 'City', 'Month', 'Price']
+   poly_pumpkins = new_pumpkins.drop([c for c in new_pumpkins.columns if c not in new_columns], axis='columns')
+
+   poly_pumpkins
+   ```
+
+A good way to visualize the correlations between data in dataframes is to display it in a 'coolwarm' chart:
+
+2. Use the `Background_gradient()` method with `coolwarm` as its argument value:
+
+   ```python
+   corr = poly_pumpkins.corr()
+   corr.style.background_gradient(cmap='coolwarm')
+   ```
+   This code creates a heatmap:
+   ![A heatmap showing data correlation](./images/heatmap.png)
+
+Looking at this chart, you can visualize the good correlation between Package and Price. So you should be able to create a somewhat better model than the last one.
+### Create a pipeline
+
+Scikit-learn includes a helpful API for building polynomial regression models - the `make_pipeline` [API](https://scikit-learn.org/stable/modules/generated/sklearn.pipeline.make_pipeline.html?highlight=pipeline#sklearn.pipeline.make_pipeline). A 'pipeline' is created which is a chain of estimators. In this case, the pipeline includes polynomial features, or predictions that form a nonlinear path.
+
+1. Build out the X and y columns:
+
+   ```python
+   X=poly_pumpkins.iloc[:,3:4].values
+   y=poly_pumpkins.iloc[:,4:5].values
+   ```
+
+2. Create the pipeline by calling the `make_pipeline()` method:
+
+   ```python
+   from sklearn.preprocessing import PolynomialFeatures
+   from sklearn.pipeline import make_pipeline
+
+   pipeline = make_pipeline(PolynomialFeatures(4), LinearRegression())
+
+   X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)
+
+   pipeline.fit(np.array(X_train), y_train)
+
+   y_pred=pipeline.predict(X_test)
+   ```
+
+### Create a sequence
+
+At this point, you need to create a new dataframe with _sorted_ data so that the pipeline can create a sequence.
+
+Add the following code:
+
+   ```python
+   df = pd.DataFrame({'x': X_test[:,0], 'y': y_pred[:,0]})
+   df.sort_values(by='x',inplace = True)
+   points = pd.DataFrame(df).to_numpy()
+
+   plt.plot(points[:, 0], points[:, 1],color="blue", linewidth=3)
+   plt.xlabel('Package')
+   plt.ylabel('Price')
+   plt.scatter(X,y, color="black")
+   plt.show()
+   ```
+
+You created a new dataframe by calling `pd.DataFrame`. Then you sorted the values by calling `sort_values()`. Finally you created a polynomial plot:
+
+![A polynomial plot showing package to price relationship](./images/polynomial.png)
+
+You can see a curved line that fits your data better. 
+
+Let's check the model's accuracy:
+
+   ```python
+   accuracy_score = pipeline.score(X_train,y_train)
+   print('Model Accuracy: ', accuracy_score)
+   ```
+
+   And voila!
+
+   ```output
+   Model Accuracy:  0.8537946517073784
+   ```
+
+That's better! Try to predict a price:
+
+### Do a prediction
+
+Can we input a new value and get a prediction?
+
+Call `predict()` to make a prediction:
+ 
+   ```python
+   pipeline.predict( np.array([ [2.75] ]) )
+   ```
+   You are given this prediction:
+
+   ```output
+   array([[46.34509342]])
+   ```
+
+It does make sense, given the plot! And, if this is a better model than the previous one, looking at the same data, you need to budget for these more expensive pumpkins!
+
+🏆 Well done! You created two regression models in one lesson. In the final section on regression, you will learn about logistic regression to determine categories. 
+
+---
+## 🚀Challenge
+
+Test several different variables in this notebook to see how correlation corresponds to model accuracy.
+
+## [Post-lecture quiz](https://white-water-09ec41f0f.azurestaticapps.net/quiz/14/)
+
+## Review & Self Study
+
+In this lesson we learned about Linear Regression. There are other important types of Regression. Read about Stepwise, Ridge, Lasso and Elasticnet techniques. A good course to study to learn more is the [Stanford Statistical Learning course](https://online.stanford.edu/courses/sohs-ystatslearning-statistical-learning)
+
+## Assignment 
+
+[Build a Model](assignment.md)

From ae1b12fd081702abdcdf36ea91d4593a382d8629 Mon Sep 17 00:00:00 2001
From: Angel Mendez <amendez1988@gmail.com>
Date: Mon, 14 Feb 2022 22:33:27 -0600
Subject: [PATCH 02/13] (spanish): 2-Regression/3-Linear/README.md

Translate file `2-Regression/3-Linear/README.md` to spanish
---
 .../3-Linear/translations/README.es.md        | 218 +++++++++---------
 1 file changed, 113 insertions(+), 105 deletions(-)

diff --git a/2-Regression/3-Linear/translations/README.es.md b/2-Regression/3-Linear/translations/README.es.md
index c2fe1389..317df5ca 100644
--- a/2-Regression/3-Linear/translations/README.es.md
+++ b/2-Regression/3-Linear/translations/README.es.md
@@ -1,84 +1,86 @@
-# Build a regression model using Scikit-learn: regression two ways
+# Construye un modelo de regresión usando Scikit-learn: regresión de dos formas
 
-![Linear vs polynomial regression infographic](./images/linear-polynomial.png)
-> Infographic by [Dasani Madipalli](https://twitter.com/dasani_decoded)
-## [Pre-lecture quiz](https://white-water-09ec41f0f.azurestaticapps.net/quiz/13/)
+![Infografía de regresión lineal vs polinomial](./images/linear-polynomial.png)
+> Infografía de [Dasani Madipalli](https://twitter.com/dasani_decoded)
 
-> ### [This lesson is available in R!](./solution/R/lesson_3-R.ipynb)
-### Introduction 
+## [Examen previo a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/13/)
 
-So far you have explored what regression is with sample data gathered from the pumpkin pricing dataset that we will use throughout this lesson. You have also visualized it using Matplotlib. 
+> ### [¡Esta lección está disponible en R!](../solution/R/lesson_3-R.ipynb)
 
-Now you are ready to dive deeper into regression for ML. In this lesson, you will learn more about two types of regression: _basic linear regression_ and _polynomial regression_, along with some of the math underlying these techniques.
+### Introducción
 
-> Throughout this curriculum, we assume minimal knowledge of math, and seek to make it accessible for students coming from other fields, so watch for notes, 🧮 callouts, diagrams, and other learning tools to aid in comprehension.
+Hasta ahora has explorado qué es la regresión con datos obtenidos del conjunto de datos de los precios de las calabazas que usaremos en esta lección. También los has visualizado usando Matplotlib.
 
-### Prerequisite
+Ahora estás listo para profundizar en la regresión para el aprendizaje automático. En esta lección, aprenderás más acerca de dos tipos de regresión: _regresión básica lineal_ y _regresión polinomial_, junto con algo de matemáticas fundamental a estas técnicas.
 
-You should be familiar by now with the structure of the pumpkin data that we are examining. You can find it preloaded and pre-cleaned in this lesson's _notebook.ipynb_ file. In the file, the pumpkin price is displayed per bushel in a new dataframe.  Make sure you can run these notebooks in kernels in Visual Studio Code.
+> A lo largo de este plan de estudios, asumimos un conocimiento mínimo de matemáticas, y buscamos hacerlo accesible para los estudiantes provenientes de otros campos, así que pon atención a las notas, 🧮 llamados, diagramas, y otras herramientas de estudio para ayudar en la comprensión.
 
-### Preparation
+### Prerrequisitos
 
-As a reminder, you are loading this data so as to ask questions of it. 
+Ahora, debes estar familiarizado con la estructura de los datos de las calabazas que ya examinamos. Puedes encontrarlos precargados y pre-limpiados en el archivo _notebook.ipynb_ de esta lección. En el archivo, el precio de la calabaza se muestra por fanega en un nuevo dataframe. Asegúrate que puedas ejecutar estos notebooks en kernels en Visual Studio Code.
 
-- When is the best time to buy pumpkins? 
-- What price can I expect of a case of miniature pumpkins?
-- Should I buy them in half-bushel baskets or by the 1 1/9 bushel box?
-Let's keep digging into this data.
+### Preparación
 
-In the previous lesson, you created a Pandas dataframe and populated it with part of the original dataset, standardizing the pricing by the bushel. By doing that, however, you were only able to gather about 400 datapoints and only for the fall months. 
+Como recordatorio, estás cargando estos datos para hacer preguntas aceca de estos.
 
-Take a look at the data that we preloaded in this lesson's accompanying notebook. The data is preloaded and an initial scatterplot is charted to show month data. Maybe we can get a little more detail about the nature of the data by cleaning it more.
+- ¿Cuándo es el mejor momento para comprar calabazas?
+- ¿Qué precio puedo esperar para el caso de calabazas miniatura?
+- ¿Debería comprarlas en cestos de media fanega o por caja de 1 1) de fanega?
 
-## A linear regression line
+Sigamos profundizando en estos datos.
 
-As you learned in Lesson 1, the goal of a linear regression exercise is to be able to plot a line to:
+En la lección anterior, creaste un dataframe de Pandas y lo poblaste con parte del conjunto de datos original, estandarizando el precio de la fanega. Haciéndolo, sólo fuiste capaz de reunir alrededor de 400 puntos de datos y sólo para los meses de otoño.
 
-- **Show variable relationships**. Show the relationship between variables
-- **Make predictions**. Make accurate predictions on where a new datapoint would fall in relationship to that line. 
- 
-It is typical of **Least-Squares Regression** to draw this type of line. The term 'least-squares' means that all the datapoints surrounding the regression line are squared and then added up. Ideally, that final sum is as small as possible, because we want a low number of errors, or `least-squares`. 
+Da un vistazo a los datos que fueron precargados en el notebook que acompaña a esta lección. Los datos están precargados y hay graficada un gráfico de dispersión inicial para mostrar datos mensuales. Quizá podamos obtener un poco más de detalle acerca de la naturaleza de los datos limpiándolos más.
 
-We do so since we want to model a line that has the least cumulative distance from all of our data points. We also square the terms before adding them since we are concerned with its magnitude rather than its direction.
+## Un línea de regresión lineal
 
-> **🧮 Show me the math** 
-> 
-> This line, called the _line of best fit_ can be expressed by [an equation](https://en.wikipedia.org/wiki/Simple_linear_regression): 
-> 
+Como aprendiste en la lección 1, el objetivo de un ejercicio de regresión lineal es ser capaz de graficar una línea para:
+
+- **Mostrar la relación de las variables**. Mostrar la relación entre las variables
+- **Realizar predicciones**. Hacer predicciones precisas en donde un nuevo punto de datos caería en relación a esa línea.
+
+Es típico de la **regresión de mínimos cuadrados** el dibujar este tipo de línea. El término 'mínimos cuadrados' significa que todos los puntos de datos rodeando la línea de regresión se elevan al cuadrado y luego se suman. Idealmente, la suma final es tan pequeña como sea posible, porque queremos un número bajo de errores, o `mínimos cuadrados`.
+
+Lo hacemos así ya que que queremos modelar una línea que tiene la distancia acumulada menor de todos nuestros puntos de datos. Tambień elevamos al cuadraro los términos antes de sumarlos ya que nos interesa su magnitud en lugar de su direción.
+
+> **🧮 Muéstrame las matemáticas**
+>
+> Esta línea, llamada la _línea de mejor ajuste_ puede ser expresada por [una ecuación](https://en.wikipedia.org/wiki/Simple_linear_regression):
+>
 > ```
 > Y = a + bX
 > ```
 >
-> `X` is the 'explanatory variable'. `Y` is the 'dependent variable'. The slope of the line is `b` and `a` is the y-intercept, which refers to the value of `Y` when `X = 0`. 
+> `X` es la 'variable explicativa'. `Y` es la 'variable dependiente'. La pendiente de la línea es `b` y `a` es la intercepción en y, la cual se refiere a el valor de `Y` cuando `X = 0`.
 >
->![calculate the slope](images/slope.png)
+>![Calcula la pendiente](../images/slope.png)
 >
-> First, calculate the slope `b`. Infographic by [Jen Looper](https://twitter.com/jenlooper)
+> Primero, calcula la pendiente `b`. Infografía de [Jen Looper](https://twitter.com/jenlooper)
 >
-> In other words, and referring to our pumpkin data's original question: "predict the price of a pumpkin per bushel by month", `X` would refer to the price and `Y` would refer to the month of sale. 
+> En otras palabras, y refiriéndose a nuestra pregunta original de los datos de las calabazas: "predice el precio de una calabaza por fanega por mes", `X` se referiría al precio e `Y` a el mes de venta.
 >
->![complete the equation](images/calculation.png)
+>![Completa la ecuación](../images/calculation.png)
 >
-> Calculate the value of Y. If you're paying around $4, it must be April! Infographic by [Jen Looper](https://twitter.com/jenlooper)
+> Calcula el valor de Y. ¡Si estás pagando alrededor de $4, debe ser Abril! Infografía de [Jen Looper](https://twitter.com/jenlooper)
 >
-> The math that calculates the line must demonstrate the slope of the line, which is also dependent on the intercept, or where `Y` is situated when `X = 0`.
+> Las matemáticas que calculan la línea deben demostrar la pendiente de la línea, la cual también depende de la intercepción, o dónde `Y` se sitúa cuando `X = 0`.
 >
-> You can observe the method of calculation for these values on the [Math is Fun](https://www.mathsisfun.com/data/least-squares-regression.html) web site. Also visit [this Least-squares calculator](https://www.mathsisfun.com/data/least-squares-calculator.html) to watch how the numbers' values impact the line.
+> Puedes observar el método de cálculo para estos valores en el sitio web [las matemáticas son divertidas](https://www.mathsisfun.com/data/least-squares-regression.html). También visita esta [calculadora de mínimos cuadrados](https://www.mathsisfun.com/data/least-squares-calculator.html) para ver cómo los valores de los números impactan la línea.
 
-## Correlation
+## Correlación
 
-One more term to understand is the **Correlation Coefficient** between given X and Y variables. Using a scatterplot, you can quickly visualize this coefficient. A plot with datapoints scattered in a neat line have high correlation, but a plot with datapoints scattered everywhere between X and Y have a low correlation.
+Un término más a entender es el **coeficiente de correlación** entre las variables dadas X e Y. Usando un gráfico de dispersión, puedes visualizar rápidamente este coeficiente. Un gráfico con pountos de datos dispersos en una línea ordenada tienen alta correlación, pero una gráfico con puntos de datos dispersos por todas partes entre X e Y tienen baja correlación.
 
-A good linear regression model will be one that has a high (nearer to 1 than 0) Correlation Coefficient using the Least-Squares Regression method with a line of regression.
+Un buen modelo de regresión lineal será aquél que tenga un alto Coeficiente de Correlación (más cercano a 1 que a 0) usando el métro de regresión de mínimos cuadrados con una línea de regresión.
 
-✅ Run the notebook accompanying this lesson and look at the City to Price scatterplot. Does the data associating City to Price for pumpkin sales seem to have high or low correlation, according to your visual interpretation of the scatterplot? 
+✅ Ejecutta el notebook que acompaña esta lección y mira el gráfico de Ciudad a Precio. ¿Los datos asociados de Ciudad a Precio para las ventas de calabaza parecen tener correlación lata o baja, de acuerdo a tu intepretación visual del gráfico de dispersión?
 
+## Prepara tus datos para la regresión
 
-## Prepare your data for regression
+Ahora que tienes conocimiento de las matemáticas detrás de este ejercicio, crea un modelo de regresión para ver si puedes predecir cuál de los paquetes de calabazas tendrá los mejores precios. Alguien comprando calabazas para una parcela de calabazas de días festivos quisiera esta información para ser capaz de optimizar sus compras de paquetes de calabazas para la parcela.
 
-Now that you have an understanding of the math behind this exercise, create a Regression model to see if you can predict which package of pumpkins will have the best pumpkin prices. Someone buying pumpkins for a holiday pumpkin patch might want this information to be able to optimize their purchases of pumpkin packages for the patch.
-
-Since you'll use Scikit-learn, there's no reason to do this by hand (although you could!). In the main data-processing block of your lesson notebook, add a library from Scikit-learn to automatically convert all string data to numbers:
+Ya que usarás Scikit-learn, no hay razón para hacer esto a mano (¡aunque podrías!). En el bloque principal de procesamientos de datos de tu notebook de lección, agrega una biblioteca de Scikit-learn para convertir automáticamente todos los datos de cadena a números:
 
 ```python
 from sklearn.preprocessing import LabelEncoder
@@ -86,37 +88,37 @@ from sklearn.preprocessing import LabelEncoder
 new_pumpkins.iloc[:, 0:-1] = new_pumpkins.iloc[:, 0:-1].apply(LabelEncoder().fit_transform)
 ```
 
-If you look at the new_pumpkins dataframe now, you see that all the strings are now numeric. This makes it harder for you to read but much more intelligible for Scikit-learn!
-Now you can make more educated decisions (not just based on eyeballing a scatterplot) about the data that is best suited to regression.
+Si ahora miras el nuevo dataframe new_pumpkins, ves que todas las cadenas ahora son numéricas. ¡Esto te dificulta el leer pero lo hace más comprensible para Scikit-learn!
+Ahora puedes tomar decisiones más informadas (no sólo basado en ver un gráfico de dispersión) acerca de los datos que mejor se ajustan a la regresión.
 
-Try to find a good correlation between two points of your data to potentially build a good predictive model. As it turns out, there's only weak correlation between the City and Price:
+Intenta encontrar una buena correlación entre dos puntos de tus datos para construir potencialmente un buen modelo predictivo. Como resulta, sólo hay correlación débil entre las Ciudad y el Precio.
 
 ```python
 print(new_pumpkins['City'].corr(new_pumpkins['Price']))
 0.32363971816089226
 ```
 
-However there's a bit better correlation between the Package and its Price. That makes sense, right? Normally, the bigger the produce box, the higher the price.
+sin embargo, existe una correlación un poco mejor entre el Paquete y su Precio. Esto tiene sentido, ¿cierto? Normalmente, entre más grande sea la caja producidad, mayor será el precio.
 
 ```python
 print(new_pumpkins['Package'].corr(new_pumpkins['Price']))
 0.6061712937226021
 ```
 
-A good question to ask of this data will be: 'What price can I expect of a given pumpkin package?'
+Una buena pregunta a realizar de estos datos, sería: '¿Qué precio puedo esperar de un paquete de calabazas dado?'
 
-Let's build this regression model
+Construyamos este modelo de regresión
 
-## Building a linear model
+## Construyendo un modelo lineal
 
-Before building your model, do one more tidy-up of your data. Drop any null data and check once more what the data looks like.
+Antes de construir tu modelo, haz una limpieza más a tus datos. Elimina cualquier dato nulo y verifica una vez cómo lucen los datos.
 
 ```python
 new_pumpkins.dropna(inplace=True)
 new_pumpkins.info()
 ```
 
-Then, create a new dataframe from this minimal set and print it out:
+Luego, crea un dataframe nuevo de este conjunto mínimo e imprímelo:
 
 ```python
 new_columns = ['Package', 'Price']
@@ -141,15 +143,16 @@ lin_pumpkins
 415 rows × 2 columns
 ```
 
-1. Now you can assign your X and y coordinate data:
+1. Ahora puedes asignar tus datos de coodenadas X e Y:
 
    ```python
    X = lin_pumpkins.values[:, :1]
    y = lin_pumpkins.values[:, 1:2]
    ```
-✅ What's going on here? You're using [Python slice notation](https://stackoverflow.com/questions/509211/understanding-slice-notation/509295#509295) to create arrays to populate `X` and `y`.
 
-2. Next, start the regression model-building routines:
+✅ ¿Qué está pasando aquí? Estás usando [notación slice de Python](https://stackoverflow.com/questions/509211/understanding-slice-notation/509295#509295) para crear arreglos y así poblar `X` e `Y`.
+
+2. Lo siguiente es, iniciar las rutinas de construcción del modelo de regresión:
 
    ```python
    from sklearn.linear_model import LinearRegression
@@ -166,13 +169,13 @@ lin_pumpkins
    print('Model Accuracy: ', accuracy_score)
    ```
 
-   Because the correlation isn't particularly good, the model produced isn't terribly accurate.
+   Debido a que la correlación nos es particularmente buena, el modelo producido no es terriblemente preciso.
 
    ```output
    Model Accuracy:  0.3315342327998987
    ```
 
-3. You can visualize the line that's drawn in the process:
+3. Puedes visualziar la línea dibujada en el proceso:
 
    ```python
    plt.scatter(X_test, y_test,  color='black')
@@ -183,36 +186,37 @@ lin_pumpkins
 
    plt.show()
    ```
-   ![A scatterplot showing package to price relationship](./images/linear.png)
 
-4. Test the model against a hypothetical variety:
+   ![Un gráfico de dispersión mostrando la relación paquete a precio](../images/linear.png)
+
+4. Prueba el modelo contra una variedad hipotética:
 
    ```python
    lin_reg.predict( np.array([ [2.75] ]) )
    ```
-   
-   The returned price for this mythological Variety is:
+
+   El precio devuelto para esta Variedad mitológica es:
 
    ```output
    array([[33.15655975]])
    ```
+Ese número hace sentido, si la lógica de la regresión lineal es cierta.
 
-That number makes sense, if the logic of the regression line holds true.
+🎃 Felicidades, acabas de crear un modelo que puede ayudara predecir el precio de unas pocas variedades de calabazas. Tu parcela de calabazas de días festivos serán hermosas. ¡Pero probablemente puedes crear un mejor modelo mejor! 
 
-🎃 Congratulations, you just created a model that can help predict the price of a few varieties of pumpkins. Your holiday pumpkin patch will be beautiful. But you can probably create a better model!
-## Polynomial regression
+## Regresión polinomial
 
-Another type of linear regression is polynomial regression. While sometimes there's a linear relationship between variables - the bigger the pumpkin in volume, the higher the price - sometimes these relationships can't be plotted as a plane or straight line. 
+Otro tipo de regresión lineal es la regresión polinomial. Mientras algunas veces existe una relación lineal entre variables - entre más grande el volumen de la calabaza, mayor el precio - algunas veces estas relaciones no pueden ser graficadas como un plano o línea recta.
 
-✅ Here are [some more examples](https://online.stat.psu.edu/stat501/lesson/9/9.8) of data that could use polynomial regression
+✅ Aquí hay [más ejemplos](https://online.stat.psu.edu/stat501/lesson/9/9.8) de los datos que podrían usar regresión polinomial.
 
-Take another look at the relationship between Variety to Price in the previous plot. Does this scatterplot seem like it should necessarily be analyzed by a straight line? Perhaps not. In this case, you can try polynomial regression.
+De un vistazo más a la relación entre Variedad a Precio en la gráfica anterior. ¿Parece que el gráfico de dispersión debería ser analizado necesariamente por una línea recta? Quizá no. En este caso,  puedes probar la regresión polinomial.
 
-✅ Polynomials are mathematical expressions that might consist of one or more variables and coefficients
+✅ Los polinomios son expresiones matemáticas que pueden consistir en una o más variables y coeficientes.
 
-Polynomial regression creates a curved line to better fit nonlinear data. 
+La regresión polinomial crea una línea curva para ajustar mejor los datos no lineales.
 
-1. Let's recreate a dataframe populated with a segment of the original pumpkin data:
+1. Recreemos un dataframe poblado con un segmento de los datos originales de las calabazas:
 
    ```python
    new_columns = ['Variety', 'Package', 'City', 'Month', 'Price']
@@ -221,30 +225,32 @@ Polynomial regression creates a curved line to better fit nonlinear data.
    poly_pumpkins
    ```
 
-A good way to visualize the correlations between data in dataframes is to display it in a 'coolwarm' chart:
+Una buena forma de visualizar las correlaciones entre los datos en los dataframes es mostrarlos en una gráfica 'coolwarm':
 
-2. Use the `Background_gradient()` method with `coolwarm` as its argument value:
+2. Usa el método `Background_gradient()` con `coolwarm` como valor de su argumento:
 
    ```python
    corr = poly_pumpkins.corr()
    corr.style.background_gradient(cmap='coolwarm')
    ```
-   This code creates a heatmap:
-   ![A heatmap showing data correlation](./images/heatmap.png)
 
-Looking at this chart, you can visualize the good correlation between Package and Price. So you should be able to create a somewhat better model than the last one.
-### Create a pipeline
+   Este código crea un mapa de calor:
+   ![Un mapa de calor mostrando correlación de datos](../images/heatmap.png)
+
+Viendo esta gráfica, puedes visualizar la buena correlación entre Paquete y Precio. Así que deberías ser capaz de crear un modelo algo mejor que el último.
+
+### Crea un pipeline
 
-Scikit-learn includes a helpful API for building polynomial regression models - the `make_pipeline` [API](https://scikit-learn.org/stable/modules/generated/sklearn.pipeline.make_pipeline.html?highlight=pipeline#sklearn.pipeline.make_pipeline). A 'pipeline' is created which is a chain of estimators. In this case, the pipeline includes polynomial features, or predictions that form a nonlinear path.
+Scikit-learn incluye una API útil para crear modelos de regresión polinomail - la [API](https://scikit-learn.org/stable/modules/generated/sklearn.pipeline.make_pipeline.html?highlight=pipeline#sklearn.pipeline.make_pipeline) `make_pipeline`. Se crea un 'pipeline' que es una cadena de estimadores. En este caso, el pipeline incluye características polinomiales, o predicciones que forman un camino no lineal.
 
-1. Build out the X and y columns:
+1. Construye las columnas X e Y:
 
    ```python
    X=poly_pumpkins.iloc[:,3:4].values
    y=poly_pumpkins.iloc[:,4:5].values
    ```
 
-2. Create the pipeline by calling the `make_pipeline()` method:
+2. Crea el pipeline llamando al método `make_pipeline()`:
 
    ```python
    from sklearn.preprocessing import PolynomialFeatures
@@ -259,11 +265,11 @@ Scikit-learn includes a helpful API for building polynomial regression models -
    y_pred=pipeline.predict(X_test)
    ```
 
-### Create a sequence
+### Crea una secuencia
 
-At this point, you need to create a new dataframe with _sorted_ data so that the pipeline can create a sequence.
+En este punto, necesitas crear un nuevo dataframe con datos _ordenados_ para que así el pipeline pueda crear una secuencia.
 
-Add the following code:
+Agrega el siguiente código:
 
    ```python
    df = pd.DataFrame({'x': X_test[:,0], 'y': y_pred[:,0]})
@@ -277,57 +283,59 @@ Add the following code:
    plt.show()
    ```
 
-You created a new dataframe by calling `pd.DataFrame`. Then you sorted the values by calling `sort_values()`. Finally you created a polynomial plot:
+Creaste un nuevo dataframe llamando `pd.DataFrame`. Luego ordenaste los valores al llamar `sort_values()`. Finalmente creaste un gráfico polinomial:
 
-![A polynomial plot showing package to price relationship](./images/polynomial.png)
+![Un gráfico polinomail mostrando la relación paquete a precio](../images/polynomial.png)
 
-You can see a curved line that fits your data better. 
+Puedes ver una línea curva que se ajusta mejor a tus datos.
 
-Let's check the model's accuracy:
+Revisemos la precisión del modelo:
 
    ```python
    accuracy_score = pipeline.score(X_train,y_train)
    print('Model Accuracy: ', accuracy_score)
    ```
 
-   And voila!
+   ¡Y voila!
 
    ```output
    Model Accuracy:  0.8537946517073784
    ```
 
-That's better! Try to predict a price:
+¡Es mejor! Intenta predecir un precio:
 
-### Do a prediction
+### Haz un predicción
 
-Can we input a new value and get a prediction?
+¿Podemos ingresar un nuevo valor y obtener una predicción?
+
+Llama a `predict()` para hacer una predicción:
 
-Call `predict()` to make a prediction:
- 
    ```python
    pipeline.predict( np.array([ [2.75] ]) )
    ```
-   You are given this prediction:
+
+   Se te presenta esta predicción:
 
    ```output
    array([[46.34509342]])
    ```
 
-It does make sense, given the plot! And, if this is a better model than the previous one, looking at the same data, you need to budget for these more expensive pumpkins!
+¡Hace sentido, dado el gráfico! Y, si este es un mejor modelo que el anterior, viendo los mismos datos, ¡necesitas presupuestar para estas calabazas más caras!
 
-🏆 Well done! You created two regression models in one lesson. In the final section on regression, you will learn about logistic regression to determine categories. 
+🏆 ¡Bien hecho! Creaste dos modelos de regresión en una lección. En la sección final de regresión, aprenderás acerca de la regresión logística para determinar categorías.
 
 ---
-## 🚀Challenge
 
-Test several different variables in this notebook to see how correlation corresponds to model accuracy.
+## 🚀Desafío
+
+Prueba varias variables diferenstes en este notebook para ver cómo la correlación corresponde a la precisión del modelo.
 
-## [Post-lecture quiz](https://white-water-09ec41f0f.azurestaticapps.net/quiz/14/)
+## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/14/)
 
-## Review & Self Study
+## Revisión y autoestudio
 
-In this lesson we learned about Linear Regression. There are other important types of Regression. Read about Stepwise, Ridge, Lasso and Elasticnet techniques. A good course to study to learn more is the [Stanford Statistical Learning course](https://online.stanford.edu/courses/sohs-ystatslearning-statistical-learning)
+En esta lección aprendimos acerca de la regresión lineal. Existen otros tipos importantes de regresión. Lee acerca de las técnicas paso a paso (Stepwise), cresta (Ridge), Lazo y red elástica (Lasso and Elasticnet). Un buen curso para estudiar para aprender más es el[Curso de aprendizaje estadístico de Stanford](https://online.stanford.edu/courses/sohs-ystatslearning-statistical-learning)
 
-## Assignment 
+## Asignación
 
-[Build a Model](assignment.md)
+[Construye un modelo](assignment.es.md)

From 1e355d9b8251762af4074afc3d2b86b571f518aa Mon Sep 17 00:00:00 2001
From: Angel Mendez <amendez1988@gmail.com>
Date: Tue, 15 Feb 2022 10:42:14 -0600
Subject: [PATCH 03/13] Update 2-Regression/3-Linear/translations/README.es.md

Co-authored-by: Alfredo Deza <alfredo@deza.pe>
---
 2-Regression/3-Linear/translations/README.es.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/2-Regression/3-Linear/translations/README.es.md b/2-Regression/3-Linear/translations/README.es.md
index 317df5ca..9bd4ff84 100644
--- a/2-Regression/3-Linear/translations/README.es.md
+++ b/2-Regression/3-Linear/translations/README.es.md
@@ -31,7 +31,7 @@ Sigamos profundizando en estos datos.
 
 En la lección anterior, creaste un dataframe de Pandas y lo poblaste con parte del conjunto de datos original, estandarizando el precio de la fanega. Haciéndolo, sólo fuiste capaz de reunir alrededor de 400 puntos de datos y sólo para los meses de otoño.
 
-Da un vistazo a los datos que fueron precargados en el notebook que acompaña a esta lección. Los datos están precargados y hay graficada un gráfico de dispersión inicial para mostrar datos mensuales. Quizá podamos obtener un poco más de detalle acerca de la naturaleza de los datos limpiándolos más.
+Da un vistazo a los datos que fueron precargados en el notebook que acompaña a esta lección. Los datos están precargados con un gráfico de dispersión inicial para mostrar datos mensuales. Quizá podamos obtener un poco más de detalle acerca de la naturaleza de los datos limpiándolos más.
 
 ## Un línea de regresión lineal
 

From fc48bf4c52e98d4e646bfe61bfb27b30c7d4fb59 Mon Sep 17 00:00:00 2001
From: Angel Mendez <amendez1988@gmail.com>
Date: Tue, 15 Feb 2022 10:42:45 -0600
Subject: [PATCH 04/13] typo: Change typo on fraction

---
 2-Regression/3-Linear/translations/README.es.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/2-Regression/3-Linear/translations/README.es.md b/2-Regression/3-Linear/translations/README.es.md
index 317df5ca..7ecfa5da 100644
--- a/2-Regression/3-Linear/translations/README.es.md
+++ b/2-Regression/3-Linear/translations/README.es.md
@@ -25,7 +25,7 @@ Como recordatorio, estás cargando estos datos para hacer preguntas aceca de est
 
 - ¿Cuándo es el mejor momento para comprar calabazas?
 - ¿Qué precio puedo esperar para el caso de calabazas miniatura?
-- ¿Debería comprarlas en cestos de media fanega o por caja de 1 1) de fanega?
+- ¿Debería comprarlas en cestos de media fanega o por caja de 1 1/9 de fanega?
 
 Sigamos profundizando en estos datos.
 

From 6d0a546b1a31ebf8c29e8abf5c984ad7e5f975a8 Mon Sep 17 00:00:00 2001
From: Angel Mendez <amendez1988@gmail.com>
Date: Tue, 15 Feb 2022 10:45:40 -0600
Subject: [PATCH 05/13] Update 2-Regression/3-Linear/translations/README.es.md

Co-authored-by: Alfredo Deza <alfredo@deza.pe>
---
 2-Regression/3-Linear/translations/README.es.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/2-Regression/3-Linear/translations/README.es.md b/2-Regression/3-Linear/translations/README.es.md
index 39069e67..8a0c79ed 100644
--- a/2-Regression/3-Linear/translations/README.es.md
+++ b/2-Regression/3-Linear/translations/README.es.md
@@ -42,7 +42,7 @@ Como aprendiste en la lección 1, el objetivo de un ejercicio de regresión line
 
 Es típico de la **regresión de mínimos cuadrados** el dibujar este tipo de línea. El término 'mínimos cuadrados' significa que todos los puntos de datos rodeando la línea de regresión se elevan al cuadrado y luego se suman. Idealmente, la suma final es tan pequeña como sea posible, porque queremos un número bajo de errores, o `mínimos cuadrados`.
 
-Lo hacemos así ya que que queremos modelar una línea que tiene la distancia acumulada menor de todos nuestros puntos de datos. Tambień elevamos al cuadraro los términos antes de sumarlos ya que nos interesa su magnitud en lugar de su direción.
+Lo hacemos así ya que queremos modelar una línea que tiene la menor distancia acumulada de todos nuestros puntos de datos. También elevamos al cuadrado los términos antes de sumarlos ya que nos interesa su magnitud en lugar de su dirección.
 
 > **🧮 Muéstrame las matemáticas**
 >

From 8aaae15e4c320cf6d4d5ba96c8f100798f627b66 Mon Sep 17 00:00:00 2001
From: Angel Mendez <amendez1988@gmail.com>
Date: Tue, 15 Feb 2022 10:49:53 -0600
Subject: [PATCH 06/13] Update 2-Regression/3-Linear/translations/README.es.md

Co-authored-by: Alfredo Deza <alfredo@deza.pe>
---
 2-Regression/3-Linear/translations/README.es.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/2-Regression/3-Linear/translations/README.es.md b/2-Regression/3-Linear/translations/README.es.md
index 8a0c79ed..e3046318 100644
--- a/2-Regression/3-Linear/translations/README.es.md
+++ b/2-Regression/3-Linear/translations/README.es.md
@@ -70,7 +70,7 @@ Lo hacemos así ya que queremos modelar una línea que tiene la menor distancia
 
 ## Correlación
 
-Un término más a entender es el **coeficiente de correlación** entre las variables dadas X e Y. Usando un gráfico de dispersión, puedes visualizar rápidamente este coeficiente. Un gráfico con pountos de datos dispersos en una línea ordenada tienen alta correlación, pero una gráfico con puntos de datos dispersos por todas partes entre X e Y tienen baja correlación.
+Un término más a entender es el **coeficiente de correlación** entre las variables dadas X e Y. Usando un gráfico de dispersión, puedes visualizar rápidamente este coeficiente. Un gráfico con puntos de datos dispersos en una línea ordenada tienen alta correlación, pero un gráfico con puntos de datos dispersos por todas partes entre X e Y tienen baja correlación.
 
 Un buen modelo de regresión lineal será aquél que tenga un alto Coeficiente de Correlación (más cercano a 1 que a 0) usando el métro de regresión de mínimos cuadrados con una línea de regresión.
 

From 61ca7f938fdc2eb61a857646246d7946f0d8f90a Mon Sep 17 00:00:00 2001
From: Angel Mendez <amendez1988@gmail.com>
Date: Tue, 15 Feb 2022 10:50:51 -0600
Subject: [PATCH 07/13] Update 2-Regression/3-Linear/translations/README.es.md

Co-authored-by: Alfredo Deza <alfredo@deza.pe>
---
 2-Regression/3-Linear/translations/README.es.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/2-Regression/3-Linear/translations/README.es.md b/2-Regression/3-Linear/translations/README.es.md
index e3046318..b447a290 100644
--- a/2-Regression/3-Linear/translations/README.es.md
+++ b/2-Regression/3-Linear/translations/README.es.md
@@ -88,7 +88,7 @@ from sklearn.preprocessing import LabelEncoder
 new_pumpkins.iloc[:, 0:-1] = new_pumpkins.iloc[:, 0:-1].apply(LabelEncoder().fit_transform)
 ```
 
-Si ahora miras el nuevo dataframe new_pumpkins, ves que todas las cadenas ahora son numéricas. ¡Esto te dificulta el leer pero lo hace más comprensible para Scikit-learn!
+Si ahora miras el nuevo dataframe `new_pumpkins`, ves que todas las cadenas ahora son numéricas. ¡Esto te dificulta el leer pero lo hace más comprensible para Scikit-learn!
 Ahora puedes tomar decisiones más informadas (no sólo basado en ver un gráfico de dispersión) acerca de los datos que mejor se ajustan a la regresión.
 
 Intenta encontrar una buena correlación entre dos puntos de tus datos para construir potencialmente un buen modelo predictivo. Como resulta, sólo hay correlación débil entre las Ciudad y el Precio.

From 0cf8362e28c0bdf1261324981bf69f97cdbd5af6 Mon Sep 17 00:00:00 2001
From: Angel Mendez <amendez1988@gmail.com>
Date: Tue, 15 Feb 2022 10:51:44 -0600
Subject: [PATCH 08/13] Update 2-Regression/3-Linear/translations/README.es.md

Co-authored-by: Alfredo Deza <alfredo@deza.pe>
---
 2-Regression/3-Linear/translations/README.es.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/2-Regression/3-Linear/translations/README.es.md b/2-Regression/3-Linear/translations/README.es.md
index b447a290..dfb2cd09 100644
--- a/2-Regression/3-Linear/translations/README.es.md
+++ b/2-Regression/3-Linear/translations/README.es.md
@@ -74,7 +74,7 @@ Un término más a entender es el **coeficiente de correlación** entre las vari
 
 Un buen modelo de regresión lineal será aquél que tenga un alto Coeficiente de Correlación (más cercano a 1 que a 0) usando el métro de regresión de mínimos cuadrados con una línea de regresión.
 
-✅ Ejecutta el notebook que acompaña esta lección y mira el gráfico de Ciudad a Precio. ¿Los datos asociados de Ciudad a Precio para las ventas de calabaza parecen tener correlación lata o baja, de acuerdo a tu intepretación visual del gráfico de dispersión?
+✅ Ejecuta el notebook que acompaña esta lección y mira el gráfico de Ciudad a Precio. ¿Los datos asociados de Ciudad a Precio para las ventas de calabaza parecen tener correlación alta o baja, de acuerdo a tu interpretación visual del gráfico de dispersión?
 
 ## Prepara tus datos para la regresión
 

From c9a236046435ad0c9939295ef2bf4714c580c826 Mon Sep 17 00:00:00 2001
From: Angel Mendez <amendez1988@gmail.com>
Date: Tue, 15 Feb 2022 10:52:47 -0600
Subject: [PATCH 09/13] typo: Fix typo on paragraph

---
 2-Regression/3-Linear/translations/README.es.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/2-Regression/3-Linear/translations/README.es.md b/2-Regression/3-Linear/translations/README.es.md
index dfb2cd09..32b19d33 100644
--- a/2-Regression/3-Linear/translations/README.es.md
+++ b/2-Regression/3-Linear/translations/README.es.md
@@ -91,7 +91,7 @@ new_pumpkins.iloc[:, 0:-1] = new_pumpkins.iloc[:, 0:-1].apply(LabelEncoder().fit
 Si ahora miras el nuevo dataframe `new_pumpkins`, ves que todas las cadenas ahora son numéricas. ¡Esto te dificulta el leer pero lo hace más comprensible para Scikit-learn!
 Ahora puedes tomar decisiones más informadas (no sólo basado en ver un gráfico de dispersión) acerca de los datos que mejor se ajustan a la regresión.
 
-Intenta encontrar una buena correlación entre dos puntos de tus datos para construir potencialmente un buen modelo predictivo. Como resulta, sólo hay correlación débil entre las Ciudad y el Precio.
+Intenta encontrar una buena correlación entre dos puntos de tus datos para construir potencialmente un buen modelo predictivo. Como resultado, sólo hay correlación débil entre la Ciudad y el Precio.
 
 ```python
 print(new_pumpkins['City'].corr(new_pumpkins['Price']))

From 7ec88b39e8eb49429f6954569eb91d8aa18b1a15 Mon Sep 17 00:00:00 2001
From: Angel Mendez <amendez1988@gmail.com>
Date: Tue, 15 Feb 2022 10:54:27 -0600
Subject: [PATCH 10/13] Update 2-Regression/3-Linear/translations/README.es.md

Co-authored-by: Alfredo Deza <alfredo@deza.pe>
---
 2-Regression/3-Linear/translations/README.es.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/2-Regression/3-Linear/translations/README.es.md b/2-Regression/3-Linear/translations/README.es.md
index 32b19d33..ca38beb7 100644
--- a/2-Regression/3-Linear/translations/README.es.md
+++ b/2-Regression/3-Linear/translations/README.es.md
@@ -98,7 +98,7 @@ print(new_pumpkins['City'].corr(new_pumpkins['Price']))
 0.32363971816089226
 ```
 
-sin embargo, existe una correlación un poco mejor entre el Paquete y su Precio. Esto tiene sentido, ¿cierto? Normalmente, entre más grande sea la caja producidad, mayor será el precio.
+Sin embargo, existe una correlación un poco mejor entre el Paquete y su Precio. Esto tiene sentido, ¿cierto? Normalmente, entre más grande sea la caja producida, mayor será el precio.
 
 ```python
 print(new_pumpkins['Package'].corr(new_pumpkins['Price']))

From 35dd3723221daf9e63349705ca28c651203d2216 Mon Sep 17 00:00:00 2001
From: Angel Mendez <amendez1988@gmail.com>
Date: Wed, 16 Feb 2022 08:45:33 -0600
Subject: [PATCH 11/13] style: Fix some typos

---
 2-Regression/3-Linear/translations/README.es.md | 17 +++++++++--------
 1 file changed, 9 insertions(+), 8 deletions(-)

diff --git a/2-Regression/3-Linear/translations/README.es.md b/2-Regression/3-Linear/translations/README.es.md
index ca38beb7..f8e22340 100644
--- a/2-Regression/3-Linear/translations/README.es.md
+++ b/2-Regression/3-Linear/translations/README.es.md
@@ -200,17 +200,18 @@ lin_pumpkins
    ```output
    array([[33.15655975]])
    ```
+
 Ese número hace sentido, si la lógica de la regresión lineal es cierta.
 
-🎃 Felicidades, acabas de crear un modelo que puede ayudara predecir el precio de unas pocas variedades de calabazas. Tu parcela de calabazas de días festivos serán hermosas. ¡Pero probablemente puedes crear un mejor modelo mejor! 
+🎃 Felicidades, acabas de crear un modelo que puede ayudara predecir el precio de unas pocas variedades de calabazas. Tu parcela de calabazas de días festivos serán hermosas. ¡Pero probablemente puedes crear un mejor modelo!
 
 ## Regresión polinomial
 
-Otro tipo de regresión lineal es la regresión polinomial. Mientras algunas veces existe una relación lineal entre variables - entre más grande el volumen de la calabaza, mayor el precio - algunas veces estas relaciones no pueden ser graficadas como un plano o línea recta.
+Otro tipo de regresión lineal es la regresión polinomial. Mientras algunas veces existe una relación lineal entre las variables - entre más grande el volumen de la calabaza, mayor el precio - algunas veces estas relaciones no pueden ser graficadas como un plano o línea recta.
 
 ✅ Aquí hay [más ejemplos](https://online.stat.psu.edu/stat501/lesson/9/9.8) de los datos que podrían usar regresión polinomial.
 
-De un vistazo más a la relación entre Variedad a Precio en la gráfica anterior. ¿Parece que el gráfico de dispersión debería ser analizado necesariamente por una línea recta? Quizá no. En este caso,  puedes probar la regresión polinomial.
+Da un vistazo más a la relación entre Variedad a Precio en la gráfica anterior. ¿Parece que el gráfico de dispersión debería ser analizado necesariamente por una línea recta? Quizá no. En este caso, puedes probar la regresión polinomial.
 
 ✅ Los polinomios son expresiones matemáticas que pueden consistir en una o más variables y coeficientes.
 
@@ -237,7 +238,7 @@ Una buena forma de visualizar las correlaciones entre los datos en los dataframe
    Este código crea un mapa de calor:
    ![Un mapa de calor mostrando correlación de datos](../images/heatmap.png)
 
-Viendo esta gráfica, puedes visualizar la buena correlación entre Paquete y Precio. Así que deberías ser capaz de crear un modelo algo mejor que el último.
+Viendo esta gráfica, puedes visualizar la buena correlación entre Paquete y Precio. Así que deberías ser capaz de crear un modelo algo mejor que el anterior.
 
 ### Crea un pipeline
 
@@ -285,7 +286,7 @@ Agrega el siguiente código:
 
 Creaste un nuevo dataframe llamando `pd.DataFrame`. Luego ordenaste los valores al llamar `sort_values()`. Finalmente creaste un gráfico polinomial:
 
-![Un gráfico polinomail mostrando la relación paquete a precio](../images/polynomial.png)
+![Un gráfico polinomial mostrando la relación paquete a precio](../images/polynomial.png)
 
 Puedes ver una línea curva que se ajusta mejor a tus datos.
 
@@ -328,13 +329,13 @@ Llama a `predict()` para hacer una predicción:
 
 ## 🚀Desafío
 
-Prueba varias variables diferenstes en este notebook para ver cómo la correlación corresponde a la precisión del modelo.
+Prueba variables diferentes en este notebook para ver cómo la correlación corresponde a la precisión del modelo.
 
 ## [Examen posterior a la lección](https://white-water-09ec41f0f.azurestaticapps.net/quiz/14/)
 
-## Revisión y autoestudio
+## Revisión y auto-estudio
 
-En esta lección aprendimos acerca de la regresión lineal. Existen otros tipos importantes de regresión. Lee acerca de las técnicas paso a paso (Stepwise), cresta (Ridge), Lazo y red elástica (Lasso and Elasticnet). Un buen curso para estudiar para aprender más es el[Curso de aprendizaje estadístico de Stanford](https://online.stanford.edu/courses/sohs-ystatslearning-statistical-learning)
+En esta lección aprendimos acerca de la regresión lineal. Existen otros tipos importantes de regresión. Lee acerca de las técnicas paso a paso (Stepwise), cresta (Ridge), Lazo y red elástica (Lasso and Elasticnet). Un buen curso para estudiar para aprender más es el [Curso de aprendizaje estadístico de Stanford](https://online.stanford.edu/courses/sohs-ystatslearning-statistical-learning)
 
 ## Asignación
 

From 831161e6a78c0768d0c2a75a3c40255bc2b708a0 Mon Sep 17 00:00:00 2001
From: Angel Mendez <amendez1988@gmail.com>
Date: Wed, 16 Feb 2022 08:49:08 -0600
Subject: [PATCH 12/13] style: Fix grammar on paragraph

---
 2-Regression/3-Linear/translations/README.es.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/2-Regression/3-Linear/translations/README.es.md b/2-Regression/3-Linear/translations/README.es.md
index f8e22340..551fa9bf 100644
--- a/2-Regression/3-Linear/translations/README.es.md
+++ b/2-Regression/3-Linear/translations/README.es.md
@@ -89,7 +89,7 @@ new_pumpkins.iloc[:, 0:-1] = new_pumpkins.iloc[:, 0:-1].apply(LabelEncoder().fit
 ```
 
 Si ahora miras el nuevo dataframe `new_pumpkins`, ves que todas las cadenas ahora son numéricas. ¡Esto te dificulta el leer pero lo hace más comprensible para Scikit-learn!
-Ahora puedes tomar decisiones más informadas (no sólo basado en ver un gráfico de dispersión) acerca de los datos que mejor se ajustan a la regresión.
+Ahora puedes tomar decisiones más informadas (no sólo basado en un gráfico de dispersión) acerca de los datos que mejor se ajustan a la regresión.
 
 Intenta encontrar una buena correlación entre dos puntos de tus datos para construir potencialmente un buen modelo predictivo. Como resultado, sólo hay correlación débil entre la Ciudad y el Precio.
 

From c7fd1ca94f18543e956f8de2be191d99740c38ae Mon Sep 17 00:00:00 2001
From: Angel Mendez <amendez1988@gmail.com>
Date: Tue, 22 Feb 2022 16:38:14 -0600
Subject: [PATCH 13/13] Update 2-Regression/3-Linear/translations/README.es.md

Co-authored-by: Alfredo Deza <alfredo@deza.pe>
---
 2-Regression/3-Linear/translations/README.es.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/2-Regression/3-Linear/translations/README.es.md b/2-Regression/3-Linear/translations/README.es.md
index 551fa9bf..77ef2696 100644
--- a/2-Regression/3-Linear/translations/README.es.md
+++ b/2-Regression/3-Linear/translations/README.es.md
@@ -78,7 +78,7 @@ Un buen modelo de regresión lineal será aquél que tenga un alto Coeficiente d
 
 ## Prepara tus datos para la regresión
 
-Ahora que tienes conocimiento de las matemáticas detrás de este ejercicio, crea un modelo de regresión para ver si puedes predecir cuál de los paquetes de calabazas tendrá los mejores precios. Alguien comprando calabazas para una parcela de calabazas de días festivos quisiera esta información para ser capaz de optimizar sus compras de paquetes de calabazas para la parcela.
+Ahora que tienes conocimiento de las matemáticas detrás de este ejercicio, crea un modelo de regresión para ver si puedes predecir cuál de los paquetes de calabazas tendrá los mejores precios. Alguien comprando calabazas para una parcela de calabazas en días festivos quisiera esta información para ser capaz de optimizar sus compras de paquetes de calabazas para la parcela.
 
 Ya que usarás Scikit-learn, no hay razón para hacer esto a mano (¡aunque podrías!). En el bloque principal de procesamientos de datos de tu notebook de lección, agrega una biblioteca de Scikit-learn para convertir automáticamente todos los datos de cadena a números: