update

Author: fralfaro

.gitignore

@@ -173,4 +173,5 @@ cython_debug/
 # Visual Studio Code
 .vscode/
 docs/labs/temp/
-docs/homeworks/temp/
+docs/homeworks/temp/
+docs/labs/solutions/

docs/labs/lab_08.ipynb

@@ -356,7 +356,7 @@
     "* **PCA (Principal Component Analysis):** identificar las combinaciones lineales de variables que explican la mayor varianza en el conjunto.\n",
     "* **t-SNE (t-distributed Stochastic Neighbor Embedding):** mapear las muestras a 2D o 3D, preservando relaciones de vecindad y estructuras no lineales.\n",
     "\n",
-    "La comparación entre ambas técnicas permitirá observar cómo las tres clases de vinos se diferencian en el espacio reducido y discutir la utilidad de la reducción de dimensionalidad en datos con mayor número de variables que en el caso del dataset Iris.\n",
+    "La comparación entre ambas técnicas permitirá observar cómo las tres clases de vinos se diferencian en el espacio reducido y discutir la utilidad de la reducción de dimensionalidad en datos con mayor número de variables que en el caso del dataset *Wine*.\n",
     "\n"
    ]
   },

docs/projects/project_definition.md

@@ -71,7 +71,7 @@ Debe incluir las siguientes secciones:
 
 ### Presentación de Resultados
 
-* Duración: 10–20 minutos.
+* Duración: 15–20 minutos.
 * Utilizar diapositivas con [BEAMER](https://www.dropbox.com/s/ol38qwzacgwzud7/Beamer.rar). Se deja el siguiente [tutorial](https://www.youtube.com/watch?v=rx7wwtmFlD8&t=792s&ab_channel=Dr.TreforBazett) a modo de ejemplo.
 * La presentación debe alojarse en su **Portafolio Personal** del curso (`.pdf`).