Proyecto 2 — Logistic Regression desde cero

Prereqs: Calc-02 (sigmoid), Calc-07 (backprop), Prob-05/07/09.

• Modelo: $\hat p=\sigma(X\mathbf{w}+b)$.
• Loss: binary cross-entropy (Prob-09), que es MLE Bernoulli (Prob-07).
• Gradiente (bello): $\nabla_{\mathbf{w}}L=\frac{1}{m}X^\top(\hat{\mathbf{p}}-\mathbf{y})$.
• Entrena con gradient descent y mide accuracy. Deriva el gradiente tú mismo antes de codearlo.