SuccessSage

SuccessSage: Indicador y predictor del rendimiento de los exámenes de los estudiantes

SuccessSage es un proyecto integral de aprendizaje automático de extremo a extremo destinado a predecir el desempeño de los exámenes de los estudiantes. Aprovecha una variedad de datos educativos y demográficos para proporcionar conocimientos y predicciones, lo que permite a las partes interesadas en la educación comprender mejor y mejorar los resultados de los estudiantes.

Características

• Predicción de desempeño : utiliza una variedad de modelos de aprendizaje automático para predecir el desempeño de los estudiantes en los exámenes en función de sus datos demográficos y académicos.
• Optimización del modelo : emplea una búsqueda en cuadrícula para encontrar los mejores hiperparámetros para cada modelo, lo que garantiza un rendimiento óptimo.
• Canalización de datos : incluye canalizaciones completas de ingesta, transformación y entrenamiento de modelos de datos, que automatizan el proceso desde los datos sin procesar hasta las predicciones.
• Interfaz web : una interfaz web interactiva basada en Flask para facilitar la entrada de datos y la visualización de resultados.
• Registro y manejo de errores : registro completo y manejo de excepciones personalizado para garantizar la trazabilidad y la facilidad de depuración.

Resumen de datos

El proyecto utiliza un conjunto de datos que contiene varias características que son indicativas del rendimiento académico de los estudiantes:

• Información demográfica : incluye género, raza/etnia y si el estudiante recibe un almuerzo gratuito o reducido.
• Antecedentes académicos : cubre el nivel de educación de los padres y si el estudiante completó un curso de preparación para exámenes.
• Puntuaciones : las partituras de lectura y escritura se utilizan como funciones de entrada.

Proceso de datos

• Ingestión de datos : ingiere automáticamente datos de un archivo CSV y los divide en conjuntos de datos de entrenamiento y prueba.
• Transformación de datos : transforma datos categóricos mediante codificación one-hot y escala características numéricas para prepararlas para el entrenamiento de modelos.
• Conjuntos de datos de entrenamiento y prueba : los datos preparados se dividen en conjuntos de entrenamiento y prueba para evaluar el rendimiento del modelo.

Instalación

1. Clonar el repositorio

   git clone https://github.com/Shubham235Chandra/SuccessSage.git
   cd SuccessSage

2. Configurar un entorno virtual (opcional pero recomendado)

   python -m venv venv
   source venv/bin/activate  # On Windows use `venvScriptsactivate`

3. Requisitos de instalación

   pip install -r requirements.txt

Ejecutando la aplicación

1. Inicie la aplicación Flask

   python app.py

   Esto ejecutará la aplicación web en localhost en el puerto 5000 .

2. Acceder a la interfaz web

   • Abra un navegador y navegue hasta http://localhost:5000/ .
   • Utilice el formulario web para ingresar datos de los estudiantes y recibir predicciones.

Estructura del proyecto

• app.py : punto de entrada de la aplicación Flask.
• application.py : Gestiona rutas y manejo de formularios web.
• predict_pipeline.py : gestiona el proceso de predicción, incluido el preprocesamiento y las predicciones del modelo.
• data_ingestion.py : Gestiona la ingesta y el procesamiento inicial de datos.
• data_transformation.py : implementa la canalización de preprocesamiento.
• model_trainer.py : gestiona el entrenamiento de modelos de aprendizaje automático utilizando varios algoritmos como RandomForest, DecisionTree, GradientBoosting y más.
• utils.py : funciones de utilidad para serialización y otras tareas.
• logger.py : configura el registro para monitoreo.
• exception.py : Manejo de excepciones personalizado para una gestión sólida de errores.

Contribuyendo

¡Las contribuciones son bienvenidas! Bifurque el repositorio y envíe solicitudes de extracción con los cambios propuestos.

Licencia

Distribuido bajo la licencia MIT. Consulte el archivo LICENSE para obtener más información.