https://github.com/pedrochans/blood_ml
Predecir las fluctuaciones de la glucemia es fundamental para controlar la diabetes tipo 1. El desarrollo de algoritmos eficaces para ello puede aliviar algunos de los desafíos que enfrentan las personas con esta afección.
https://github.com/pedrochans/blood_ml
blood bristol diabetes diabetes-prediction jupyter-notebook machine-learning predictive-modeling python university
Last synced: 4 months ago
JSON representation
Predecir las fluctuaciones de la glucemia es fundamental para controlar la diabetes tipo 1. El desarrollo de algoritmos eficaces para ello puede aliviar algunos de los desafíos que enfrentan las personas con esta afección.
- Host: GitHub
- URL: https://github.com/pedrochans/blood_ml
- Owner: pedrochans
- Created: 2024-10-12T18:29:52.000Z (about 1 year ago)
- Default Branch: main
- Last Pushed: 2024-10-16T19:57:15.000Z (12 months ago)
- Last Synced: 2025-04-06T06:45:55.119Z (6 months ago)
- Topics: blood, bristol, diabetes, diabetes-prediction, jupyter-notebook, machine-learning, predictive-modeling, python, university
- Language: Jupyter Notebook
- Homepage: https://www.kaggle.com/competitions/brist1d/overview
- Size: 113 KB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Modelo de predicción sobre la glucosa en sangre.
# Glucosa en Sangre
Objetivo: pronosticar los niveles de glucosa en sangre con una hora de anticipación utilizando los datos de los participantes de las seis horas anteriores.
Predecir las fluctuaciones de la glucemia es fundamental para controlar la diabetes tipo 1. El desarrollo de algoritmos eficaces para ello puede aliviar algunos de los desafíos que enfrentan las personas con esta afección.
## 📋 Índice
- [📖 Descripción](#📖-descripción)
- [📋 Índice](#📋-índice)
- [👤 Instrucciones para el usuario](#👤-instrucciones-para-el-usuario)
- [⚙️ Instalación](#⚙️-instalación)
- [📊 Análisis de los datos](#📊-análisis-de-los-datos)
- [🔧 Ingeniería de variables](#🔧-ingeniería-de-variables)
- [🤖 Entrenamiento del modelo](#🤖-entrenamiento-del-modelo)
- [🏆 Resultados y conclusión](#🏆-resultados-y-conclusión)
## 📖 Descripción
## 👤 Instrucciones para el usuario
Para poder descargar los datos desde Kaggle, necesitas una API key de Kaggle.
1. Ve a tu cuenta de Kaggle (https://www.kaggle.com/account)
2. En la sección API, haz clic en "Create New API Token". Esto descargará el archivo `kaggle.json`.
3. Coloca el archivo `kaggle.json` en la carpeta `~/.kaggle/` (en sistemas UNIX como Linux/Mac) o en `C:\Users\TU_USUARIO\.kaggle\` (en Windows).
4. Asegúrate de que la carpeta tenga los permisos adecuados (`chmod 600` en UNIX).
Alternativa manual: navega a la URL https://www.kaggle.com/competitions/brist1d/overview, descarga y descomprime los archivos en una carpeta `/kaggle_data` en la misma ubicación que el notebook.
## ⚙️ Instalación
Para instalar las dependencias necesarias, ejecuta el siguiente comando:
```sh
pip install -r requirements/requirements.txt
```
## 📊 Análisis de los datos
Comenzaremos el trabajo con un breve análisis. Leeremos los datos, mostraremos el tabular, describiremos las columnas e imprimiremos una fila de cada tabla para tener una idea inicial.
## 🔧 Ingeniería de variables
En esta sección, realizaremos la ingeniería de variables necesaria para preparar los datos para el modelo de aprendizaje automático.
## 🤖 Entrenamiento del modelo
Entrenaremos varios modelos de aprendizaje automático y seleccionaremos el mejor basado en métricas de rendimiento.
## 🏆 Resultados y conclusión
Presentaremos los resultados obtenidos y las conclusiones derivadas del análisis y modelado de los datos.
## 🤝 Contribuciones
Las contribuciones son bienvenidas. Por favor, abre un issue o envía un pull request para contribuir a este proyecto.
## 📜 Licencia
Este proyecto está licenciado bajo la Licencia MIT. Consulta el archivo LICENSE para más detalles.