Modelo de recomendación de profesionales médicos para una mejor experiencia de usuarios - Mentoria_DiploDatos2021
El proyecto tiene como objetivo resolver una problemática común en el mundo de la salud: la concentración de la demanda en unos pocos centros médicos. Esta disparidad entre la oferta y la demanda genera experiencias negativas en los usuarios del sistema (principalmente, una escasa disponibilidad de turnos).
Un modelo de recomendación que considere las características del paciente y su nivel de satisfacción podría lograr la descompresión de la demanda y mejorar la experiencia de los usuarios.
Si querés inspeccionar el conjunto de datos, lo encontrarás en https://github.com/CSilvi/Mentoria_DiploDatos2021/tree/main/Data
El dataset consistirá en tres tablas:
-
Tabla consumos: consultas médicas, con id del centro médico y del paciente asociados.
-
Tabla centros médicos: características de los centros médicos.
-
Tabla pacientes: características de los pacientes.
1. Análisis y Visualización de Datos
En esta etapa se consistirá en entender el problema de concentración de la demanda en unos pocos oferentes y encontrar patrones de consumo que permitan generar propuestas para lograr una descompresión de la demanda
-
Notebook JupiteLab: Practico_1
-
Informe: Informe_1
2. Análisis Exploratorio y Curación de Datos
En esta etapa de análisis exploratorio y curación de datos, se enfocará en feature engineering
- Notebook JupiteLab: Practico_2
3. Modelos Aprendizaje Automático
En esta etapa e consistirá en aplicar algoritmos básicos para entender las características asociadas a los distintos segmentos de pacientes y centros médicos. Métricas y validación de resultados
-
Notebook JupiteLab: Practico_3
-
Informe: Informe_2
Se aplicaron dos modelos de clasificacion decision tree, logistic regression que tengan como target feature categoria_socio. Para la construcción de los modelos: se dividir los datos en conjunto de entrenamiento y validación, cross-validation, grid-search.
4. Modelos de Aprendizaje Supervisado
En esta etapa consistirá en desarrollar algoritmos de recomendación
-
Notebook JupiteLab: Practico_5
-
Informe: Informe_4
5. Modelos Aprendizaje No Supervisado
En esta etapa que consistirá en explorar reglas de asociación.
-
Algoritmos de Clustering: Self Organizing Maps - SOM
-
Metodos para determinar numeros de clustering: método del codo y Silhouette
-
Notebook JupiteLab: Practico_5
- matplotlib 3.3.2
- pandas 1.1.3
- numpy 1.19.5
- seaborn 0.11.1
- scikit-learn 0.23.2
- ptitprince==0.2.5
- pandas-profiling==2.11.0