Curso TC3006 - Inteligencia Artificial Avanzada para la Ciencia de Datos - Equipo 2

Integrantes del equipo

Luis Ángel Guzmán Iribe - A01741757
Julian Lawrence Gil Soares - A00832272
Alberto H Orozco Ramos - A00831719

Profesores

Ivan Mauricio Amaya Contreras
Blanca Rosa Ruiz Hernandez
Antonio Carlos Bento
Frumencio Olivas Alvarez
Hugo Terashima Marín

Reto Periodo 1: Titanic - Machine Learning para el Desastre

Durante las diversas etapas de desarrollo de este proyecto, que abarcan desde la identificación de la problemática hasta el análisis y preparación de los requisitos y los datos correspondientes, así como el establecimiento de algoritmos de Machine Learning, su codificación, revisión e implementación, se persigue alcanzar una resolución satisfactoria, precisa y coherente basada en los recursos proporcionados. Esto se logrará mediante el uso de modelos matemáticos y estadísticos válidos que respalden y otorguen mayor veracidad a los datos generados por nuestro modelo.

Adicionalmente, se tiene como objetivo la implementación de herramientas y bibliotecas, como Pandas, Matplotlib y otras, para respaldar la visualización de los resultados obtenidos, teniendo en cuenta las tesis desarrolladas de manera teórica, asegurando así su coherencia y viabilidad.

En las etapas finales del primer proyecto, se anticipa que el modelo de Machine Learning brindará resultados cercanos a los datos reales, habiendo aplicado los métodos más óptimos para su implementación.

Archivos de evaluación final

Evidencia 3. Solución reto - Equipo 2: Reporte final que engloba todo el trabajo realizado a lo largo del proyecto.
Limpieza de Datos: Dentro de esta carpeta encontrarán el primer entregable de nuestro equipo para el reto del Titanic. Tenemos un Jupyter Notebook donde describimos y justificamos nuestro proceso de limpiar los datos así como los datos que nos quedaron después del proceso de limpieza.
- Archivo README: README.md
- Código en Jupyter Notebook de Limpieza de Datos: clean_training_data.ipynb
- Archivo CSV de la Base de Datos del Titanic (Kaggle): train.csv
- Output CSV de la Base de Datos del Titanic limpia: train_clean.csv
Selección, configuración y entrenamiento del modelo: Dentro de esta carpeta se encuentra el segundo entregable del reto del Titanic. Tenemos un Jupyter Notebook donde implementamos varios modelos de regresión con la meta de encontrar el modelo que utilizaremos para la solución del reto.
- Archivo README: README.md
- Base de Datos del Titanic limpia: train_clean.csv
- Código en Jupyter Notebook de la Selección de Modelos: Configuracion_Modelos.ipynb
Selección, configuración y entrenamiento del modelo: Dentro de esta carpeta se encuentra el tercer entregable del reto del Titanic. Se puede encontrar un Jupyter Notebook donde implementamos un algoritmo grid search con fin el fin de encontrar los parámetros óptimos para nuestro modelo predictivo.
- Archivo README: README.md
- Base de Datos del Titanic limpia: train_clean.csv
- Código en Jupyter Notebook del refinamiento del modelo: Reto_Redes_Neuronales_Refinado.ipynb

Archivos de retroalimentación

Momento de Retroalimentación - Reto: Limpieza del Conjunto de Datos
- Archivo README: retro/Limpieza de Datos/README.md
- Código en Jupyter Notebook de Limpieza de Datos: Limpieza de Datos/clean_training_data.ipynb
- Archivo CSV de la Base de Datos del Titanic (Kaggle): Limpiieza de Datos/train.csv
- Output CSV de la Base de Datos del Titanic limpia: Limpieza de Datos/train_clean.csv
Momento de Retroalimentación: Reto Selección, configuración y entrenamiento del modelo
- Archivo README: README.md
- Base de Datos del Titanic limpia: train_clean.csv
- Código en Jupyter Notebook de la Selección de Modelos: Configuracion_Modelos.ipynb
Momento de Retroalimentación: Reto Evaluación y Refinamiento de modelo
- Archivo README: README.md
- Base de Datos del Titanic limpia: train_clean.csv
- Código en Jupyter Notebook de la Selección de Modelos: Reto_Redes_Neuronales_Refinado.ipynb

4lb3rt0r/TC3006C_Equipo2

ErrorLooks like something went wrong!

About

Resources

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Languages

Error
Looks like something went wrong!

Packages