Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/cgarciae/supervised-basico-scurve
https://github.com/cgarciae/supervised-basico-scurve
Last synced: 10 days ago
JSON representation
- Host: GitHub
- URL: https://github.com/cgarciae/supervised-basico-scurve
- Owner: cgarciae
- License: mit
- Created: 2017-05-31T22:08:37.000Z (over 7 years ago)
- Default Branch: master
- Last Pushed: 2017-06-05T21:23:37.000Z (over 7 years ago)
- Last Synced: 2024-11-07T09:38:36.655Z (2 months ago)
- Language: Jupyter Notebook
- Size: 1.51 MB
- Stars: 0
- Watchers: 3
- Forks: 2
- Open Issues: 1
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# Reto S-Curve
## Descripcion
Este es un conjunto artificial creado utilizando la funcion `make_s_curve` de [sklearn.datasets](http://scikit-learn.org/stable/modules/classes.html#samples-generator) y desechando la segunda dimension.
Consiste en 400 datos.
### Ranking
Ver [ranking](https://github.com/cgarciae/supervised-basico-scurve/blob/master/ranking.md).
### Formato Datos
Los datos se encuentran en los siguientes archivos CSV:
* `traning-set.csv`
* `test-set.csv`
### Variables
* Features: Las primeras 2 columnas del csv son las cooredenadas `x` y `ỳ`.
* Lables: La ultima cooredenada es altura.
### Objetivo
Crear un algortimo que tome como input un vector 2D y retone posible altura de ese punto en la curva. Solo se puede utilizar los datos del `traning-set.csv` para entrenar.
El performance se debe medir con respecto a los datos del `test-set.csv` utilizando la metrica [R2](https://en.wikipedia.org/wiki/Coefficient_of_determination).
### Notas Teoricas
* [SVM](https://en.wikipedia.org/wiki/Support_vector_machine)
* [Decision Trees](https://en.wikipedia.org/wiki/Decision_tree_learning)
* [Neural Network](https://en.wikipedia.org/wiki/Artificial_neural_network)
### Solucion
Ver procedimiento de [solucion](https://github.com/colomb-ia/formato-retos#solucion).
##### Requerimientos
*Indica los requerimientos para utilizar el codigo de tu solucion.*
##### Procedimiento
*Indica el procedimiento que se debe seguir para reproducir tu solucion.*
##### Metodo
*Indica el metodo que utilizaste para solucionar el reto.*
##### Resultados
*Indica el metodo que utilizaste para solucionar el reto.*
## Getting Started
Para resolver este reto primero has un [fork](https://help.github.com/articles/fork-a-repo/) de este repositorio y [clona](https://help.github.com/articles/cloning-a-repository/) el fork en tu maquina.
```bash
git clone https://github.com/{username}/supervised-basico-scurve
cd supervised-basico-scurve
```
*Nota: reemplaza `{username}` con tu nombre de usuario de Github.*
### Requerimientos
Para descargar y visualizar los datos necesitas Python 2 o 3. Las dependencias las puedes encontrar en el archivo `requirements.txt`. Puedes instalarlas fácilmente utilizando el commando
```bash
pip install -r requirements.txt
```
Dependiendo de tu entorno puede que necesites instalar paquetes del sistema adicionales, si tienes problemas revisa la documentación de estas librerías.
# Starter Code Python
Para iniciar con este reto puedes correr el codigo de Python en Jupyter del archivo `python-sample.ipynb`. Este código que ayudará a cargar y visualizar algunas imágenes. Las dependencias son las mismas que se instalaron durante la descarga de los datos, ver [Requerimientos](#requerimientos).
Para iniciar el código solo hay que prender Jupyter en esta carpeta
```bash
jupyter notebook --NotebookApp.iopub_data_rate_limit=10000000000 .
```
y abrir el archivo `python-sample.ipynb`.