Este proyecto de ciencia de datos analiza y predice el comportamiento de más de 72,000 estudiantes de la Universidad Peruana de Ciencias Aplicadas (UPC), enfocándose en su uso del correo institucional. Se parte de un dataset real con datos anonimizados (utilizando datos ficticios) para no exponer ningun dato real de algun alumno, se limpia, explora, modela y visualiza, aplicando buenas prácticas de ciencia de datos.
Predecir si un estudiante usará su correo institucional o no en base a sus datos personales básicos, como longitud del nombre, tipo de correo y validez del número telefónico. Este análisis permite detectar patrones útiles para estrategias de comunicación académica y mejorar la calidad del registro estudiantil.
upc-student-data-analysis/
├── data/
│ ├── raw/ # Dataset original
│ └── processed/ # Datos limpios y modelados
├── notebooks/
│ ├── 01_EDA.ipynb # Exploración inicial
│ ├── 02_Cleaning.ipynb # Limpieza y preprocesamiento
│ └── 03_Modeling.ipynb # Modelado predictivo
├── dashboards/ # Visualizaciones con Streamlit
├── reports/ # Documentación técnica y hallazgos
└── README.md # Este archivo
- Python 3.x.x
- pandas, numpy, matplotlib, seaborn
- scikit-learn (Random Forest, validación)
- pathlib para manejo de rutas
- Jupyter Notebooks
- Streamlit para dashboards
-
Carga y análisis exploratorio (EDA)
Visualización de valores nulos, longitud de nombres, uso de correo institucional. -
Limpieza de datos
Normalización de texto, validación de correos y teléfonos, eliminación de duplicados. -
Ingeniería de características
Cálculo de longitudes, codificación de dominios de correo. -
Modelado predictivo
Entrenamiento de un modelo Random Forest para clasificar si un estudiante usará su correo institucional. -
Evaluación del modelo
- Matriz de confusión
- Precisión y recall
- Interpretación de los resultados
-
Dashboard interactivo
- Accuracy del modelo: 99.9%
- Precision (clase 1 - uso del correo institucional): 95%
- Recall (clase 1): 98%
- F1-score (clase 1): 97%
| Predicho: No | Predicho: Sí | |
|---|---|---|
| Real: No | 14,298 | 13 |
| Real: Sí | 6 | 270 |
El modelo logra una excelente capacidad para detectar alumnos que usan o no el correo institucional, incluso con clases desbalanceadas. Se utilizó Random Forest sin ajuste de hiperparámetros, lo que abre espacio para mejoras futuras.
Este proyecto se realizó con fines educativos y de investigación personal.
El dataset original fue obtenido de una filtración pública ocurrida hace mucho tiempo.
No se ha subido ningún dato sensible a este repositorio, y todos los datos utilizados en este proyecto han sido procesados y anonimizados.
El autor no tiene relación con la filtración original ni con el uso indebido de los datos.
- Añadir más features como carrera, sede, año de ingreso.
- Probar modelos más avanzados (XGBoost, LightGBM).
- Optimizar hiperparámetros con
GridSearchCV. - Desplegar un dashboard online para visualización en tiempo real.
José Fernando Céspedes Ticona
Estudiante de Ciencias de la Computación — UPC
Proyecto personal de ciencia de datos (2025)
Este proyecto es de uso académico/personal. No utilizar sin permiso para fines comerciales.