SuccessSage

SuccessSage: indicador e preditor de desempenho no exame do aluno

SuccessSage é um projeto abrangente de aprendizado de máquina de ponta a ponta que visa prever o desempenho dos alunos nos exames. Ele aproveita uma variedade de dados educacionais e demográficos para fornecer insights e previsões, permitindo que as partes interessadas na educação compreendam melhor e melhorem os resultados dos alunos.

Características

• Previsão de desempenho : utiliza uma variedade de modelos de aprendizado de máquina para prever o desempenho dos alunos em exames com base em seus dados demográficos e acadêmicos.
• Otimização de Modelo : Emprega uma busca em grade para encontrar os melhores hiperparâmetros para cada modelo, garantindo desempenho ideal.
• Pipeline de dados : inclui pipelines completos de ingestão de dados, transformação e treinamento de modelo, que automatizam o processo desde dados brutos até previsões.
• Interface Web : Uma interface web interativa baseada em Flask para fácil entrada de dados e visualização de resultados.
• Registro e tratamento de erros : registro abrangente e tratamento de exceções personalizado para garantir rastreabilidade e facilidade de depuração.

Visão geral dos dados

O projeto utiliza um conjunto de dados contendo vários recursos que são indicativos do desempenho acadêmico dos alunos:

• Informações Demográficas : Inclui gênero, raça/etnia e se o aluno recebe almoço grátis/a preço reduzido.
• Formação Acadêmica : Abrange o nível de educação dos pais e se o aluno concluiu um curso de preparação para testes.
• Pontuações : pontuações de leitura e escrita são usadas como recursos de entrada.

Processamento de Dados

• Ingestão de dados : ingere dados automaticamente de um arquivo CSV e os divide em conjuntos de dados de treinamento e teste.
• Transformação de dados : transforma dados categóricos usando codificação one-hot e dimensiona recursos numéricos para prepará-los para o treinamento de modelo.
• Conjuntos de dados de treinamento e teste : os dados preparados são divididos em conjuntos de treinamento e teste para avaliar o desempenho do modelo.

Instalação

1. Clonar o repositório

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

2. Configurar um ambiente virtual (opcional, mas recomendado)

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

3. Requisitos de instalação

   pip install -r requirements.txt

Executando o aplicativo

1. Inicie o aplicativo Flask

   python app.py

   Isso executará o aplicativo da web em localhost na porta 5000 .

2. Acesse a interface da web

   • Abra um navegador e navegue até http://localhost:5000/ .
   • Use o formulário da web para inserir dados dos alunos e receber previsões.

Estrutura do Projeto

• app.py : ponto de entrada do aplicativo Flask.
• application.py : gerencia rotas e manipulação de formulários da web.
• predict_pipeline.py : gerencia o pipeline de previsão, incluindo pré-processamento e previsões de modelo.
• data_ingestion.py : gerencia a ingestão e o processamento inicial de dados.
• data_transformation.py : implementa o pipeline de pré-processamento.
• model_trainer.py : gerencia o treinamento de modelos de aprendizado de máquina usando vários algoritmos, como RandomForest, DecisionTree, GradientBoosting e muito mais.
• utils.py : Funções utilitárias para serialização e outras tarefas.
• logger.py : configura o log para monitoramento.
• exception.py : tratamento de exceções personalizado para gerenciamento robusto de erros.

Contribuindo

Contribuições são bem-vindas! Bifurque o repositório e envie solicitações pull com as alterações propostas.

Licença

Distribuído sob a licença MIT. Consulte o arquivo LICENSE para obter mais informações.