Este proyecto tiene como objetivo aplicar técnicas de aprendizaje automático y análisis de datos a varios conjuntos de datos para obtener insights significativos y desarrollar modelos predictivos eficaces.
El proyecto está organizado en varios notebooks, cada uno dedicado a un conjunto de datos específico, además de un notebook introductorio que proporciona una visión general.
ML_techniques.ipynb- Descripción general de los conjuntos de datos y objetivos del análisis.boston_housing_notebook.ipynb- Análisis detallado del conjunto de datos Boston Housing.iris_notebook.ipynb- Análisis detallado del conjunto de datos Iris.mnist_notebook.ipynb- Análisis detallado del conjunto de datos MNIST.breast_cancer_notebook.ipynb- Análisis detallado del conjunto de datos Breast Cancer.digits_notebook.ipynb- Análisis detallado del conjunto de datos Digits.mall_customers_notebook.ipynb- Análisis detallado del conjunto de datos Mall Customers.apple_quality_notebook.ipynb- Análisis detallado del conjunto de datos Apple Quality.student_data_notebook.ipynb- Análisis detallado del conjunto de datos Student Data.Wholesale customers- Análisis detallado del conjunto de datos Wholesale customers.
Cada notebook incluye la carga de datos, exploración preliminar, aplicación de modelos, visualización de resultados y validación de modelos.
Para utilizar este proyecto, comience por leer el ML_techniques.ipynb para obtener una comprensión de los conjuntos de datos y los objetivos del análisis. Luego, explore cada notebook específico para ver análisis detallados y aplicaciones de modelos a los conjuntos de datos correspondientes.