diff --git a/.obsidian/workspace.json b/.obsidian/workspace.json
index a4436f3..3d7e473 100644
--- a/.obsidian/workspace.json
+++ b/.obsidian/workspace.json
@@ -13,12 +13,12 @@
             "state": {
               "type": "markdown",
               "state": {
-                "file": "TERCERO/SS/SS 24-25.md",
+                "file": "TERCERO/IA/Teoría_2425.md",
                 "mode": "source",
                 "source": false
               },
               "icon": "lucide-file",
-              "title": "SS 24-25"
+              "title": "Teoría_2425"
             }
           }
         ]
@@ -177,8 +177,8 @@
   },
   "active": "7d00eaebf5db2f27",
   "lastOpenFiles": [
-    "TERCERO/SS/SS Lab.md",
     "TERCERO/SS/SS 24-25.md",
+    "TERCERO/SS/SS Lab.md",
     "TERCERO/SPD/P4_SPD.md",
     "TERCERO/SPD/Teoría_2425.md",
     "TERCERO/SS/images/Pasted image 20241024113018.png",
diff --git a/TERCERO/IA/Teoría_2425.md b/TERCERO/IA/Teoría_2425.md
index 5d8bef4..7708c8e 100644
--- a/TERCERO/IA/Teoría_2425.md
+++ b/TERCERO/IA/Teoría_2425.md
@@ -369,3 +369,14 @@ Se puede usar una estrategia, llamada **UCB (Upper Confidence Bound)** que const
 3. **Simulación:** partiendo del estado recién añadido se simula una partida completa, ya sea al azar o con una heurística. Se obtiene un valor (premio, recompensa, etc) que determina la utilidad de esa rama para el jugador.
 4. **Actualización:** con el estado final alcanzado de la fase anterior se actualizan las estadísticas de todas las posiciones previas visitadas durante la simulación que se ejecutó a partir del nuevo estado (incluyendo la cuenta de ganancias). 
 ![[mcts.gif]]
+
+# <mark style="background: #FFF3A3A6;">TEMA 6: Fundamentos de ML</mark>
+Básicamente se trata de crear algoritmos capaces de generalizar comportamientos y reconocer patrones a partir de unos datos de entrada. De la forma:
+$$
+\begin{equation}
+f:D\rightarrow r
+\end{equation}
+$$
+sea $f$ una función que dados unos datos $D$ da un resultado $r$. Hace falta saber, **cómo** se manipulan los datos, **qué** datos se cogen y cómo calcular los **errores**. ML es una mezcla de técnicas de álgebra (para representación vectorial de los parámetros de $f$) y optimización.
+### <mark style="background: #FFB86CA6;">Aprendizaje supervisado</mark>
+Se trata de $D\rightarrow ML\rightarrow f~aprox~D$ (o minimizar el error entre $D$ y $f$). Los datos se suelen dividir en dos bloques, uno de **entrenamiento** ($D_{train}$), y otro de **validación** ($D_{val}$) para calcular el error empírico (ya que esos datos "no los ha visto"). También puede haber un tercer bloque de **test** ($D_{test}$) para usarse luego de repetir varias veces el entrenamiento.