SuccessSage

SuccessSage: Indikator dan Prediktor Kinerja Ujian Siswa

SuccessSage adalah proyek pembelajaran mesin menyeluruh yang bertujuan untuk memprediksi kinerja ujian siswa. Hal ini memanfaatkan beragam data pendidikan dan demografi untuk memberikan wawasan dan prediksi, memungkinkan pemangku kepentingan pendidikan untuk lebih memahami dan meningkatkan hasil siswa.

Fitur

• Prediksi Kinerja : Memanfaatkan berbagai model pembelajaran mesin untuk memprediksi kinerja siswa dalam ujian berdasarkan data demografi dan akademik mereka.
• Pengoptimalan Model : Menggunakan pencarian grid untuk menemukan hyperparameter terbaik untuk setiap model, memastikan kinerja optimal.
• Data Pipeline : Mencakup penyerapan data lengkap, transformasi, dan pipeline pelatihan model, yang mengotomatiskan proses dari data mentah hingga prediksi.
• Antarmuka Web : Antarmuka web interaktif berbasis Flask untuk memudahkan input data dan visualisasi hasil.
• Pencatatan dan Penanganan Kesalahan : Pencatatan log yang komprehensif dan penanganan pengecualian khusus untuk memastikan ketertelusuran dan kemudahan proses debug.

Ikhtisar Data

Proyek ini menggunakan kumpulan data yang berisi beberapa fitur yang menunjukkan kinerja akademik siswa:

• Informasi Demografi : Mencakup jenis kelamin, ras/etnis, dan apakah siswa menerima makan siang gratis/dengan potongan harga.
• Latar Belakang Akademik : Meliputi tingkat pendidikan orang tua dan apakah siswa telah menyelesaikan kursus persiapan ujian.
• Skor : Skor membaca dan menulis digunakan sebagai fitur masukan.

Pengolahan data

• Penyerapan Data : Secara otomatis menyerap data dari file CSV, membaginya menjadi kumpulan data pelatihan dan pengujian.
• Transformasi Data : Mentransformasi data kategorikal menggunakan enkode one-hot dan menskalakan fitur numerik untuk mempersiapkannya untuk pelatihan model.
• Kumpulan Data Pelatihan dan Pengujian : Data yang disiapkan dibagi menjadi kumpulan pelatihan dan pengujian untuk mengevaluasi kinerja model.

Instalasi

1. Kloning Repositori

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

2. Menyiapkan Lingkungan Virtual (opsional tetapi disarankan)

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

3. Persyaratan Instal

   pip install -r requirements.txt

Menjalankan Aplikasi

1. Mulai Aplikasi Flask

   python app.py

   Ini akan menjalankan aplikasi web di localhost pada port 5000 .

2. Akses Antarmuka Web

   • Buka browser dan navigasikan ke http://localhost:5000/ .
   • Gunakan formulir web untuk menginput data siswa dan menerima prediksi.

Struktur Proyek

• app.py : Titik masuk aplikasi Flask.
• application.py : Mengelola rute dan penanganan formulir web.
• predict_pipeline.py : Mengelola pipeline prediksi termasuk preprocessing dan prediksi model.
• data_ingestion.py : Mengelola penyerapan dan pemrosesan awal data.
• data_transformation.py : Mengimplementasikan pipeline prapemrosesan.
• model_trainer.py : Mengelola pelatihan model pembelajaran mesin menggunakan berbagai algoritma seperti RandomForest, DecisionTree, GradientBoosting, dan banyak lagi.
• utils.py : Fungsi utilitas untuk serialisasi dan tugas lainnya.
• logger.py : Mengonfigurasi logging untuk pemantauan.
• exception.py : Penanganan pengecualian khusus untuk manajemen kesalahan yang kuat.

Berkontribusi

Kontribusi dipersilakan! Silakan fork repositori dan kirimkan permintaan penarikan dengan perubahan yang Anda usulkan.

Lisensi

Didistribusikan di bawah Lisensi MIT. Lihat file LICENSE untuk informasi lebih lanjut.