SuccessSage

SuccessSage: индикатор и прогноз успеваемости студентов на экзамене

SuccessSage — это комплексный проект сквозного машинного обучения, направленный на прогнозирование успеваемости студентов на экзаменах. Он использует различные образовательные и демографические данные для предоставления информации и прогнозов, позволяя заинтересованным сторонам в сфере образования лучше понимать и улучшать результаты учащихся.

Функции

• Прогнозирование успеваемости : использует различные модели машинного обучения для прогнозирования успеваемости учащихся на экзаменах на основе их демографических и академических данных.
• Оптимизация модели : использует поиск по сетке для поиска лучших гиперпараметров для каждой модели, обеспечивая оптимальную производительность.
• Конвейер данных : включает в себя комплексные конвейеры приема, преобразования и обучения моделей, которые автоматизируют процесс от необработанных данных до прогнозов.
• Веб-интерфейс : интерактивный веб-интерфейс на основе Flask для удобного ввода данных и визуализации результатов.
• Ведение журнала и обработка ошибок : комплексное ведение журнала и настраиваемая обработка исключений для обеспечения отслеживаемости и простоты отладки.

Обзор данных

В проекте используется набор данных, содержащий несколько характеристик, которые характеризуют академическую успеваемость учащихся:

• Демографическая информация : включает пол, расу/этническую принадлежность, а также информацию о том, получает ли учащийся бесплатный или льготный обед.
• Академическое образование : учитывает уровень образования родителей и то, прошел ли учащийся курс подготовки к экзаменам.
• Баллы : баллы за чтение и письмо используются в качестве входных данных.

Обработка данных

• Прием данных : автоматически принимает данные из файла CSV, разделяет их на наборы данных для обучения и тестирования.
• Преобразование данных : преобразует категориальные данные с помощью горячего кодирования и масштабирует числовые характеристики, чтобы подготовить их к обучению модели.
• Наборы обучающих и тестовых данных . Подготовленные данные разделяются на наборы обучающих и тестовых данных для оценки производительности модели.

Установка

1. Клонировать репозиторий

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

2. Настройте виртуальную среду (необязательно, но рекомендуется)

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

3. Требования к установке

   pip install -r requirements.txt

Запуск приложения

1. Запустите приложение Flask

   python app.py

   Это запустит веб-приложение на localhost через порт 5000 .

2. Доступ к веб-интерфейсу

   • Откройте браузер и перейдите по адресу http://localhost:5000/ .
   • Используйте веб-форму для ввода данных об учащихся и получения прогнозов.

Структура проекта

• app.py : точка входа приложения Flask.
• application.py : управляет маршрутами и обработкой веб-форм.
• predict_pipeline.py : управляет конвейером прогнозирования, включая предварительную обработку и прогнозы модели.
• data_ingestion.py : управляет приемом и первоначальной обработкой данных.
• data_transformation.py : реализует конвейер предварительной обработки.
• model_trainer.py : управляет обучением моделей машинного обучения с использованием различных алгоритмов, таких как RandomForest, DecisionTree, GradientBoosting и других.
• utils.py : служебные функции для сериализации и других задач.
• logger.py : настраивает ведение журнала для мониторинга.
• exception.py : пользовательская обработка исключений для надежного управления ошибками.

Содействие

Вклады приветствуются! Пожалуйста, создайте репозиторий и отправьте запросы на включение с предложенными вами изменениями.

Лицензия

Распространяется по лицензии MIT. Дополнительную информацию см. в файле LICENSE .