{"id":28298733,"url":"https://github.com/gerardo1909/tpfinal_equidad","last_synced_at":"2026-05-13T20:35:00.193Z","repository":{"id":281185964,"uuid":"944475579","full_name":"Gerardo1909/tpfinal_equidad","owner":"Gerardo1909","description":"Trabajo práctico final de la materia \"Equidad en Aprendizaje Automático\" de la Licenciatura en Ciencia de Datos (UNSAM). 1C-2025","archived":false,"fork":false,"pushed_at":"2025-06-07T23:20:49.000Z","size":5948,"stargazers_count":1,"open_issues_count":0,"forks_count":0,"subscribers_count":1,"default_branch":"main","last_synced_at":"2025-06-18T10:52:33.150Z","etag":null,"topics":["data-science","fairness-ai","fairness-ml","fairness-testing","jupyter-notebook","machine-learning","python","statistics"],"latest_commit_sha":null,"homepage":"","language":"Jupyter Notebook","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/Gerardo1909.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null,"zenodo":null}},"created_at":"2025-03-07T12:11:30.000Z","updated_at":"2025-06-07T23:20:52.000Z","dependencies_parsed_at":"2025-03-07T13:33:55.120Z","dependency_job_id":"da0dea6c-e1a8-4a86-a5f5-ebd201b71711","html_url":"https://github.com/Gerardo1909/tpfinal_equidad","commit_stats":null,"previous_names":["gerardo1909/tpfinal_equidad"],"tags_count":0,"template":false,"template_full_name":null,"purl":"pkg:github/Gerardo1909/tpfinal_equidad","repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/Gerardo1909%2Ftpfinal_equidad","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/Gerardo1909%2Ftpfinal_equidad/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/Gerardo1909%2Ftpfinal_equidad/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/Gerardo1909%2Ftpfinal_equidad/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/Gerardo1909","download_url":"https://codeload.github.com/Gerardo1909/tpfinal_equidad/tar.gz/refs/heads/main","sbom_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/Gerardo1909%2Ftpfinal_equidad/sbom","scorecard":null,"host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":286080680,"owners_count":32999515,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2026-05-13T13:14:54.681Z","status":"ssl_error","status_checked_at":"2026-05-13T13:14:51.610Z","response_time":115,"last_error":"SSL_read: unexpected eof while reading","robots_txt_status":"success","robots_txt_updated_at":"2025-07-24T06:49:26.215Z","robots_txt_url":"https://github.com/robots.txt","online":false,"can_crawl_api":true,"host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["data-science","fairness-ai","fairness-ml","fairness-testing","jupyter-notebook","machine-learning","python","statistics"],"created_at":"2025-05-23T06:14:36.854Z","updated_at":"2026-05-13T20:35:00.188Z","avatar_url":"https://github.com/Gerardo1909.png","language":"Jupyter Notebook","funding_links":[],"categories":[],"sub_categories":[],"readme":"# Trabajo Práctico Final - Equidad en Aprendizaje Automático (Licenciatura en Ciencia de Datos)\n\n**Participantes del proyecto:**\n\n* Gerardo Toboso - getobosobarrios@estudiantes.unsam.edu.ar\n* Gianni Bevilacqua - gbevilacqua@estudiantes.unsam.edu.ar\n* Javier Spina - jaspina@estudiantes.unsam.edu.ar\n\nEste proyecto corresponde al trabajo práctico final de la materia **Equidad en Aprendizaje Automático** de la Lienciatura en Ciencia de Datos (1er cuatrimestre 2025). El objetivo principal es evaluar y mitigar sesgos en modelos de clasificación aplicados al dataset **German Credit Data**, con foco en cuestiones de equidad de género en la asignación de créditos.\n\n## 📋 Enunciado del Trabajo\n\nEl trabajo consiste en desarrollar un modelo que prediga si una persona debería recibir un crédito bancario. Además de evaluar su rendimiento con métricas clásicas como *accuracy*, *precision*, *recall* y *f1-score*, se debe realizar un análisis de equidad (*fairness*), especialmente enfocado en la dimensión de género. Posteriormente, se deben aplicar técnicas de mitigación de sesgos y comparar los resultados con el modelo original.\n\nEl desarrollo incluye:\n\n- Análisis exploratorio del dataset.\n- Evaluación de métricas de rendimiento y equidad.\n- Aplicación de técnicas de mitigación de sesgos.\n- Comparación entre modelos con y sin mitigación.\n- Reflexión sobre la equidad en contextos reales de aplicación de ML.\n\n## 🎯 Objetivos del Proyecto\n\n- Comprender y aplicar conceptos de equidad en aprendizaje automático.\n- Identificar y analizar sesgos en modelos de clasificación.\n- Implementar técnicas de mitigación de sesgos y evaluar su impacto.\n- Desarrollar una solución completa, reproducible y bien documentada en Python.\n- Presentar los resultados de manera clara y profesional.\n\n## 📁 Estructura del Proyecto\n\n```\ntp_final_fairness_ML/\n│\n├── notebooks/                    \n│   ├── german_credit_fairness.ipynb               # Notebook principal que contiene el desarrollo del proyecto\n│   └── README.md\n│\n├── informe_trabajo_practico.pdf                   # Informe en formato PDF con los resultados del proyecto \n│\n├── requirements.txt              # Dependencias del proyecto\n├── setup.py                      # Instalación del proyecto en modo editable\n├── README.md                     # Archivo actual\n└── .gitignore                    # Exclusiones de Git\n```\n\n## ⚙️ Cómo clonar y correr este proyecto\n\n### 1. Clonar el repositorio\n\n```bash\ngit clone https://github.com/Gerardo1909/tpfinal_equidad.git\ncd tpfinal_equidad\n```\n\n### 2. Crear y activar un entorno virtual\n\n```bash\npython -m venv venv\nsource venv/bin/activate      # En Linux/macOS\nvenv\\Scripts\\activate.bat     # En Windows\n```\n\n### 3. Instalar las dependencias\n\n```bash\npip install -r requirements.txt\n```\n\n### 4. Instalar el proyecto en modo editable\nEsto permite importar los módulos de `utils` desde cualquier notebook sin problemas:\n\n```bash\npip install -e .\n```\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fgerardo1909%2Ftpfinal_equidad","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fgerardo1909%2Ftpfinal_equidad","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fgerardo1909%2Ftpfinal_equidad/lists"}