https://github.com/orliluq/inmersion-datos-python

Desarrollar modelos de machine learning para predecir la probabilidad de incumplimiento crediticio de los clientes, utilizando diferentes algoritmos de clasificación (Regresión Logística, Árboles de Decisión, Random Forest, Naive Bayes).
https://github.com/orliluq/inmersion-datos-python

colab-notebook numpy pandas python scikit-learn

Last synced: 5 days ago
JSON representation

Desarrollar modelos de machine learning para predecir la probabilidad de incumplimiento crediticio de los clientes, utilizando diferentes algoritmos de clasificación (Regresión Logística, Árboles de Decisión, Random Forest, Naive Bayes).

• Host: GitHub
• URL: https://github.com/orliluq/inmersion-datos-python
• Owner: Orliluq
• Created: 2024-11-21T20:39:30.000Z (2 months ago)
• Default Branch: main
• Last Pushed: 2024-11-21T23:13:02.000Z (2 months ago)
• Last Synced: 2024-12-02T17:20:11.617Z (2 months ago)
• Topics: colab-notebook, numpy, pandas, python, scikit-learn
• Language: Jupyter Notebook
• Homepage:
• Size: 1.42 MB
• Stars: 0
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

        
# 📚 Inmersión de Datos con Python

![Python](https://img.shields.io/badge/Python-FFD43B?style=for-the-badge&logo=python&logoColor=blue)

![Scikit-learn](https://img.shields.io/badge/scikit_learn-F7931E?style=for-the-badge&logo=scikit-learn&logoColor=white)

![Pandas](https://img.shields.io/badge/Pandas-2C2D72?style=for-the-badge&logo=pandas&logoColor=white)

![Numpy](https://img.shields.io/badge/Numpy-777BB4?style=for-the-badge&logo=numpy&logoColor=white)

## 🏛️ Análisis del Crédito Bancario Alemán

Este proyecto realiza un análisis exploratorio y visualización de datos relacionados con un caso de crédito bancario alemán. Su propósito es entender mejor las características de los clientes y las variables que afectan la decisión crediticia.

## 📋 Objetivos

- Explorar los datos del conjunto proporcionado.

- Identificar patrones y relaciones clave entre las variables.

- Generar visualizaciones para apoyar la toma de decisiones.

## 📊 Contenido del Proyecto

El análisis está estructurado en las siguientes secciones:

1. **Carga de Datos**: Importación y preprocesamiento del conjunto de datos.

2. **Análisis Exploratorio (EDA)**: 

   - Estadísticas descriptivas.

   - Inspección de valores faltantes y datos categóricos.

3. **Visualización de Datos**:

   - Gráficos que muestran la distribución de las variables.

   - Comparaciones entre clientes con crédito aprobado y denegado.

4. **Conclusiones**:

   - Insights obtenidos del análisis de los datos.

## 📈 Requisitos

Este proyecto utiliza Python y las siguientes bibliotecas:

- `pandas`

- `numpy`

- `matplotlib`

- `seaborn`

- `scikit-learn` (opcional para tareas adicionales)

## 💱 Uso

1. Abre el archivo en Google Colab:

   - Sube el archivo `credito_banco_aleman_inmersion_Dia1.ipynb` directamente a Google Colab.

   - O haz clic en el botón a continuación si lo configuras en un repositorio público:

     

       

    

2. Instala los requisitos si es necesario:

   ```

   !pip install pandas numpy matplotlib seaborn scikit-learn

3. Ejecuta las celdas en el orden indicado.

## 📝 Notas Adicionales

Este análisis está basado en un conjunto de datos ficticio representativo del sector financiero. Los resultados y visualizaciones pueden utilizarse para comprender mejor el riesgo crediticio.

## 👩‍💻 Autor