Desarrollo de Ejercicios de Maching Learning en Python
Budget: $30 – $250 USD
Por favor si usted no tiene experiencia en maching learning y no habla español, no enviar sus propuestas.
El proyecto tiene objetivo desarrollar los ejercicios plantados en los notebooks:
1. proyecto_clasificacion (Avance 30%): Es un trabajo que se basa en el notebook Fundamentos_ML_Clasificacion. El avance está en proyecto_clasificacion_sol. Es necesario cumplir con lo que se pide en el ejercicio original.
2. Reto_Kaggle (Avance 40%): Es un reto que consiste en emplear modelos de clasificación para una prueba de entrenamiento (train_set.csv) y ponerlos en producción con la data en test_set.csv. Todo el análisis debe realizarse con train_set, es decir, aperturarlo por entrenamiento y test según corresponda, y demás análisis. El código tiene cierto grado de avance pero falta complementar con muchos análisis debido a que se observa presencia de valores missing y el score resultante es muy elevado (cercano a uno) en todos los modelos evaluados por lo que se debe de realizar análisis complementarios como elección de características y gráfico de curvas ROC, y demás análisis que usted proponga.
Se deberán realizar reuniones para discutir los resultados previamente al envío final.
El proyecto tiene objetivo desarrollar los ejercicios plantados en los notebooks:
1. proyecto_clasificacion (Avance 30%): Es un trabajo que se basa en el notebook Fundamentos_ML_Clasificacion. El avance está en proyecto_clasificacion_sol. Es necesario cumplir con lo que se pide en el ejercicio original.
2. Reto_Kaggle (Avance 40%): Es un reto que consiste en emplear modelos de clasificación para una prueba de entrenamiento (train_set.csv) y ponerlos en producción con la data en test_set.csv. Todo el análisis debe realizarse con train_set, es decir, aperturarlo por entrenamiento y test según corresponda, y demás análisis. El código tiene cierto grado de avance pero falta complementar con muchos análisis debido a que se observa presencia de valores missing y el score resultante es muy elevado (cercano a uno) en todos los modelos evaluados por lo que se debe de realizar análisis complementarios como elección de características y gráfico de curvas ROC, y demás análisis que usted proponga.
Se deberán realizar reuniones para discutir los resultados previamente al envío final.