Proyecto final de Machine Learning

• ¡Has llegado al proyecto final! Si miras hacia atrás, ¡hazlo solo para ver lo lejos que has llegado! Ahora el paso final a la línea de meta.

• Hemos construido proyectos basados ​​en diferentes problemas comerciales, de diferentes industrias y utilizando una variedad de algoritmos. Ahora es el momento de crear tu propio proyecto utilizando el algoritmo que creas adecuado para tu problema.

• Si un modelo de ML hace una predicción en Jupyter, ¿hay alguien cerca para escucharlo? Probablemente no. La implementación de modelos es la clave para que sean útiles.

“El trabajo duro siempre vence al talento cuando el talento no trabaja duro” - Tim Notke

🌱 Cómo iniciar este proyecto

1. Crea un nuevo repositorio basado en el proyecto de machine learning haciendo clic aquí.
2. Abre el repositorio creado recientemente en Gitpod usando la extensión del botón de Gitpod.
3. Una vez que Gitpod VSCode haya terminado de abrirse, agrega o edita los archivos o carpetas necesarios para que la estructura de tu proyecto esté lista para su implementación.
4. Inicia tu proyecto siguiendo las instrucciones a continuación.

🚛 Cómo entregar este proyecto

Debes entregar:

• El enlace a tu proyecto Github repo (ya implementado).

• El enlace a tu aplicación web de Machine Learning implementada.

📝 Instrucciones

Grupo de formación

Lo ideal es que los grupos estén formados por tres personas. El número mínimo de miembros es de dos personas.

Fases del proyecto

1. Definición del problema

Comienza por definir el problema comercial y luego conviértelo en un problema de Machine Learning.

“Un problema definido es un problema medio resuelto” - Albert Einstein

2. Colección de datos

¿Cómo recopilarás los datos? ¿Es un conjunto de datos público existente? ¿Tendrás que fusionar datos de diferentes fuentes? ¿Quizás hacer algo de web scraping?

Esta es una parte fundamental porque en un proyecto de la vida real, dependiendo de los datos que tengas, el problema se puede resolver con los datos existentes o quizás tengas que convencer a tu cliente de que realmente se necesita pagar por más datos.

3. Análisis exploratorio de datos

Explora tus datos tanto como pueda para encontrar patrones y relaciones importantes entre las características. Usa gráficos para explicar estos patrones. Esto será importante para mostrar en tu presentación.

4. Preprocesamiento de datos

Limpia tus datos para construir un buen modelo, porque los datos de baja calidad siempre producirán resultados defectuosos. Puedes volver a tu módulo de preprocesamiento de datos para recordar todos los pasos necesarios.

Si se trata de un problema de clasificación, ¿están equilibrados tus datos? De lo contrario, considera volver a muestrearlo o asegúrate de elegir la métrica de evaluación correcta.

¿Tus datos tienen muchos valores atípicos? ¿Son valores normales de tu población o deberías eliminarlos? o mejor aún, ¿imputarlos?

¿Tu modelo requerirá normalización? Tal vez esté tratando con un algoritmo robusto para entrenar y no se necesita normalización.

Hazte todas estas preguntas antes de entrenar a tu modelo. Quién sabe, estas son las mismas preguntas que te harán en su presentación.

Recuerda: basura adentro, basura afuera.

5. Modelo y resultados

Elije uno o más algoritmos para entrenar, evaluar e hiperafinar. Elije el que usarás y guárdalo para el paso de implementación.

6. Deployment

Crea una aplicación web de Machine Learning utilizando tu modelo guardado. Puedes usar Flask, Streamlit o cualquier otra herramienta que conozcas. Usa Heroku u otra plataforma de computación en la nube que prefieras para implementar tu aplicación web y compartirla con el mundo.

Presentación

La presentación durará 5 minutos por grupo, así que asegúrate de usar tu tiempo de manera eficiente. El código será revisado por nosotros, así que no pierdas tiempo explicando tu código. Debes enfocarse en los puntos importantes como si estuvieras tratando de vender tu proyecto a las partes interesadas de tu empresa. Probablemente no tengan una formación técnica (tal vez la tengan), así que trata de usar palabras simples y una presentación de cuaderno fácil de entender. Recuerda que la calidad supera a la cantidad.

Puntos importantes recomendados para mencionar en tu presentación de 5 minutos:

• ¿Cuál era el problema del negocio?

• ¿Cómo recopilaste los datos?

• Patrones importantes encontrados en los datos

• ¿Qué algoritmo y métrica de evaluación utilizaste para construir tu modelo final?

• Muestra tu aplicación web en funcionamiento y menciona cómo se puede mejorar en el futuro.

“El secreto para salir adelante es empezar.” - Mark Twain