Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.

Awesome Lists | Featured Topics | Projects

https://github.com/niel0503/simulador6


https://github.com/niel0503/simulador6

Last synced: 3 days ago
JSON representation

Awesome Lists containing this project

README 

        
# 🍷 Predicción de la Calidad del Vino con Machine Learning / Predição da Qualidade do Vinho com Machine Learning



### 📊 Contexto / Contexto



Espanhol:



En este proyecto, he combinado la tradición vitivinícola con el poder de la tecnología. Como científica de datos, mi objetivo ha sido optimizar la producción y calidad del vino utilizando datos para guiar decisiones estratégicas. A través del análisis del Wine Quality Dataset, he desarrollado un modelo para predecir la calidad del vino basado en variables físico-químicas.



Português:



Combinei a tradição vitivinícola com o poder da tecnologia. Como cientista de dados, meu objetivo foi otimizar a produção e a qualidade do vinho usando dados para guiar decisões estratégicas. Por meio da análise do Wine Quality Dataset, desenvolvi um modelo para prever a qualidade do vinho com base em variáveis físico-químicas.



### 🎯 Objetivos / Objetivos



Espanhol:



1. Análisis Exploratorio de Datos (EDA): He realizado visualizaciones y análisis de relaciones entre variables para identificar outliers.



2. Preprocesamiento de Datos: He limpiado y preparado los datos, asegurándome de que estén listos para el modelado.



3. Entrenamiento de Modelos: He implementado varios algoritmos de machine learning para construir un modelo predictivo.



4. Evaluación de Desempeño: He calculado métricas clave como R², RMSE y MAE para evaluar la eficacia del modelo.



5. Código Funcional: He proporcionado un código bien documentado que ejecuta todo el flujo de trabajo de manera reproducible.

   

Português: 



1. Análise Exploratória de Dados (EDA): Realizei visualizações e análises das relações entre variáveis para identificar outliers.

   

2. Pré-processamento de Dados: Limpei e preparei os dados, garantindo que estivessem prontos para o modelo.



3. Treinamento de Modelos: Implementei vários algoritmos de machine learning para construir um modelo preditivo.



4. Avaliação de Desempenho: Calculei métricas chave como R², RMSE e MAE para avaliar a eficácia do modelo.



5. Código Funcional: Proporcionei um código bem documentado que executa todo o fluxo de trabalho de maneira reproduzível.



### 🛠️ Requisitos / Requisitos



Espanhol:



Este proyecto se estructura en varias secciones:



1. Análisis Exploratorio de Datos (EDA)

   

Descripción: En esta etapa, he buscado entender las distribuciones de las variables y sus relaciones.



Herramientas: Utilicé matplotlib y seaborn para crear visualizaciones que muestran cómo las características del vino se relacionan con su calidad.



2. Preprocesamiento de Datos

   

Descripción: normalización de los datos.



Criterios de Aceptación: Los datos fueron normalizados utilizando StandardScaler.



3. Entrenamiento de Modelos

   

Descripción: Apliqué varios algoritmos de machine learning a los datos procesados.



Consejo: Comencé con modelos simples, como la regresión lineal y árboles de decisión, y los comparé con modelos más complejos posteriormente.



4. Evaluación de Desempeño

   

Descripción: He medido la efectividad de los modelos a través de métricas.



Criterios de Aceptación: Calcule métricas como R², RMSE y MAE, y discutí su interpretación en el contexto del proyecto.



5. Código Funcional



Descripción: El código presentado es claro y está bien documentado.



Consejo: Utilicé Notebooks de Colab para organizar el código, lo que facilita la comprensión y la ejecución de cada etapa.



Português: 



Este projeto está estruturado nas seguintes seções:



1. Análise Exploratória de Dados (EDA)

   

Descrição: Nesta etapa, busquei entender as distribuições das variáveis e suas relações.



Ferramentas: Usei matplotlib e seaborn para criar visualizações que mostram como as características do vinho se relacionam com sua qualidade.



2. Pré-processamento de Dados

   

Descrição: Normalização dos dados.



Critérios de Aceitação: Os dados foram normalizados usando StandardScaler.



3. Treinamento de Modelos

   

Descrição: Apliquei vários algoritmos de machine learning aos dados processados.



Dica: Comecei com modelos simples, como regressão linear e árvores de decisão, e depois comparei com modelos mais complexos.



4. Avaliação de Desempenho

   

Descrição: Medi a eficácia dos modelos através de métricas.



Critérios de Aceitação: Calculei métricas como R², RMSE e MAE, e discuti sua interpretação no contexto do projeto.



5. Código Funcional

   

Descrição: O código apresentado é claro e bem documentado.



Dica: Usei Notebooks do Colab para organizar o código, facilitando a compreensão e a execução de cada etapa.



### 💡 Cómo Usar Este Proyecto / Como Usar Este Projeto



Espanhol: 



1. Clona este repositorio en tu máquina local.

2. Asegúrate de tener todas las dependencias necesarias instaladas.

3. Abre el notebook de Jupyter y sigue las secciones paso a paso.



Português: 



1. Clone este repositório para a sua máquina local.

   

2. Verifique se todas as dependências necessárias estão instaladas.

   

3. Abra o notebook do Jupyter e siga as seções passo a passo.



### 👩‍💻 Desarollado por / Desenvolvido por



Ninoska Contreras



[![Linkedin Badge](https://img.shields.io/badge/-LinkedIn-blue?style=flat-square&logo=Linkedin&logoColor=white&link)](https://www.linkedin.com/in/ninoska-contreras)