Predicción de admisión a una universidad usando machine learning

Contexto general del proyecto

1. Preprocesamiento de Datos: Carga de datos: Importa el dataset a un entorno de programación como Python (utilizando librerías como Pandas) o R. Exploración de datos: Analiza las características del dataset (variables numéricas, categóricas, cantidad de datos faltantes, etc.) Para comprender su estructura. Limpieza de datos: Manejo de valores faltantes: Imputa los valores faltantes utilizando métodos como la media, mediana, moda o técnicas más sofisticadas como la imputación por K-Nearest Neighbors. Detección y eliminación de outliers: Identifica y elimina los valores atípicos que puedan afectar el modelo. Codificación de variables categóricas: Convierte las variables categóricas en numéricas utilizando técnicas como one-hot encoding o label encoding. Selección de características: Identifica las variables más relevantes para la predicción utilizando técnicas como la correlación, la importancia de las características en un modelo inicial o métodos más avanzados como el análisis de componentes principales (PCA). División de datos: Separa el dataset en un conjunto de entrenamiento y otro de prueba para evaluar el desempeño del modelo. 2. Modelado y Entrenamiento: Selección de algoritmos: K-means: Aunque K-means es un algoritmo de clustering, podría utilizarse para agrupar a los estudiantes en base a características similares y luego analizar si estos grupos tienen diferentes tasas de aceptación. Random Forest: Es un algoritmo de ensamble muy versátil que suele tener buen desempeño en problemas de clasificación. Otros algoritmos: Considera otros algoritmos como Regresión Logística, Árboles de Decisión, Support Vector Machines (SVM), redes neuronales, etc., Dependiendo de la naturaleza de los datos y el problema específico. Entrenamiento de modelos: Entrena cada uno de los modelos seleccionados con el conjunto de entrenamiento. Afinamiento de hiperparámetros: Ajusta los hiperparámetros de cada modelo para mejorar su desempeño utilizando técnicas como la búsqueda en cuadrícula o la búsqueda aleatoria. 3. Evaluación de Modelos: Métricas de evaluación: Utiliza métricas como precisión, recall, F1-score, matriz de confusión y curva ROC para evaluar el desempeño de cada modelo en el conjunto de prueba. Selección del mejor modelo: Elige el modelo que obtenga los mejores resultados en términos de las métricas seleccionadas, considerando también la interpretabilidad del modelo. 4. Creación de Dashboard en Power BI: Conexión a datos: Conecta Power BI al dataset original y a los resultados obtenidos con los modelos de machine learning. Visualizaciones: Crea visualizaciones como gráficos de barras, gráficos circulares, tablas dinámicas, mapas, etc., Para mostrar: Características de los estudiantes que ingresaron a la universidad y aceptaron el cupo. Comparación del desempeño de los diferentes modelos. Importancia de las variables en la predicción. Predicciones para nuevos datos. Interactividad: Permite a los usuarios interactuar con el dashboard filtrando los datos y explorando diferentes escenarios.

Categoría Programación y Tecnología
Subcategoría Otros
Tamaño del proyecto Medio
¿Es un proyecto o una posición? Un proyecto
Actualmente tengo Tengo las especificaciones
Disponibilidad requerida Según se necesite

Plazo de Entrega: No definido

Habilidades necesarias