Comparacion diferentes modelos ml que probamos en el notebook.

HACKATHONUAB

Introducción

Reto Escogido

CARONTE

Objetivos del Proyecto

Desarrollar modelos predictivos basados en los datos del Moodle para ayudar a los estudiantes a mejorar su rendimiento académico. Los objetivos específicos incluyen:

Modelo de predicción de notas.
Análisis de patrones de estudio y rendimiento.
Recomendador de actividades de refuerzo.

Metodología

Exploración del Dataset

Se realizó una exploración inicial del dataset para entender la estructura y el contenido de los datos disponibles.

Diseño de la Solución y Data Massaging

Exploración del Dataset: Análisis preliminar de los datos.
Diseño de la Solución: Planificación de la arquitectura del proyecto.
Data Massaging: Limpieza y preparación de los datos para el modelado.

Creación de Modelos Predictivos

Se desarrollaron varios modelos predictivos, destacando el modelo de Random Forest como el mejor:

MSE: 2.66 (varía según la materia).
Accuracy: 86% entre aprobado y suspenso.

Análisis de los Modelos

Evaluación de los modelos para determinar su precisión y efectividad en la predicción de notas.

Resultados

Modelo de Predicción de Notas: El modelo de Random Forest mostró un MSE de 2.66 y una precisión del 86% en la clasificación entre aprobado y suspenso.
Recomendaciones: Se identificaron actividades clave que son más importantes para aprobar las asignaturas que simplemente obtener buenas notas.

Conclusiones

Resultados Robustos: Los modelos desarrollados muestran resultados sólidos y confiables.
Herramientas para Estudiantes: Posibilidad de desarrollar herramientas basadas en estos modelos para ayudar a los estudiantes.
Mejoras Futuras: Mejorar el modelo para generalizar comportamientos de estudiantes y asignaturas.