https://github.com/gerardo1909/tpfinal_equidad
Trabajo práctico final de la materia "Equidad en Aprendizaje Automático" de la Licenciatura en Ciencia de Datos (UNSAM). 1C-2025
https://github.com/gerardo1909/tpfinal_equidad
data-science fairness-ai fairness-ml fairness-testing jupyter-notebook machine-learning python statistics
Last synced: about 1 month ago
JSON representation
Trabajo práctico final de la materia "Equidad en Aprendizaje Automático" de la Licenciatura en Ciencia de Datos (UNSAM). 1C-2025
- Host: GitHub
- URL: https://github.com/gerardo1909/tpfinal_equidad
- Owner: Gerardo1909
- Created: 2025-03-07T12:11:30.000Z (over 1 year ago)
- Default Branch: main
- Last Pushed: 2025-06-07T23:20:49.000Z (about 1 year ago)
- Last Synced: 2025-06-18T10:52:33.150Z (about 1 year ago)
- Topics: data-science, fairness-ai, fairness-ml, fairness-testing, jupyter-notebook, machine-learning, python, statistics
- Language: Jupyter Notebook
- Homepage:
- Size: 5.67 MB
- Stars: 1
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Trabajo Práctico Final - Equidad en Aprendizaje Automático (Licenciatura en Ciencia de Datos)
**Participantes del proyecto:**
* Gerardo Toboso - getobosobarrios@estudiantes.unsam.edu.ar
* Gianni Bevilacqua - gbevilacqua@estudiantes.unsam.edu.ar
* Javier Spina - jaspina@estudiantes.unsam.edu.ar
Este 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.
## 📋 Enunciado del Trabajo
El 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.
El desarrollo incluye:
- Análisis exploratorio del dataset.
- Evaluación de métricas de rendimiento y equidad.
- Aplicación de técnicas de mitigación de sesgos.
- Comparación entre modelos con y sin mitigación.
- Reflexión sobre la equidad en contextos reales de aplicación de ML.
## 🎯 Objetivos del Proyecto
- Comprender y aplicar conceptos de equidad en aprendizaje automático.
- Identificar y analizar sesgos en modelos de clasificación.
- Implementar técnicas de mitigación de sesgos y evaluar su impacto.
- Desarrollar una solución completa, reproducible y bien documentada en Python.
- Presentar los resultados de manera clara y profesional.
## 📁 Estructura del Proyecto
```
tp_final_fairness_ML/
│
├── notebooks/
│ ├── german_credit_fairness.ipynb # Notebook principal que contiene el desarrollo del proyecto
│ └── README.md
│
├── informe_trabajo_practico.pdf # Informe en formato PDF con los resultados del proyecto
│
├── requirements.txt # Dependencias del proyecto
├── setup.py # Instalación del proyecto en modo editable
├── README.md # Archivo actual
└── .gitignore # Exclusiones de Git
```
## ⚙️ Cómo clonar y correr este proyecto
### 1. Clonar el repositorio
```bash
git clone https://github.com/Gerardo1909/tpfinal_equidad.git
cd tpfinal_equidad
```
### 2. Crear y activar un entorno virtual
```bash
python -m venv venv
source venv/bin/activate # En Linux/macOS
venv\Scripts\activate.bat # En Windows
```
### 3. Instalar las dependencias
```bash
pip install -r requirements.txt
```
### 4. Instalar el proyecto en modo editable
Esto permite importar los módulos de `utils` desde cualquier notebook sin problemas:
```bash
pip install -e .
```