SuccessSage

SuccessSage: ตัวบ่งชี้ประสิทธิภาพการสอบของนักเรียนและผู้ทำนาย

SuccessSage เป็นโปรเจ็กต์แมชชีนเลิร์นนิงแบบครบวงจรที่ครอบคลุมซึ่งมุ่งเป้าไปที่การทำนายผลการสอบของนักเรียน โดยใช้ประโยชน์จากข้อมูลทางการศึกษาและข้อมูลประชากรที่หลากหลายเพื่อให้ข้อมูลเชิงลึกและการคาดการณ์ ช่วยให้ผู้มีส่วนได้ส่วนเสียทางการศึกษาเข้าใจและปรับปรุงผลลัพธ์ของนักเรียนได้ดียิ่งขึ้น

คุณสมบัติ

• การคาดการณ์ผลการปฏิบัติงาน : ใช้โมเดลการเรียนรู้ของเครื่องที่หลากหลายเพื่อคาดการณ์ผลการปฏิบัติงานของนักเรียนในการสอบโดยพิจารณาจากข้อมูลประชากรและข้อมูลทางวิชาการ
• การเพิ่มประสิทธิภาพโมเดล : ใช้การค้นหาตารางเพื่อค้นหาไฮเปอร์พารามิเตอร์ที่ดีที่สุดสำหรับแต่ละรุ่น เพื่อให้มั่นใจถึงประสิทธิภาพสูงสุด
• ไปป์ไลน์ข้อมูล : รวมการนำเข้าข้อมูล การแปลง และไปป์ไลน์การฝึกอบรมโมเดล ซึ่งทำให้กระบวนการอัตโนมัติตั้งแต่ข้อมูลดิบไปจนถึงการคาดการณ์
• เว็บอินเทอร์เฟซ : เว็บอินเทอร์เฟซแบบโต้ตอบบน Flask เพื่อการป้อนข้อมูลและการแสดงภาพผลลัพธ์ที่ง่ายดาย
• การบันทึกและการจัดการข้อผิดพลาด : การบันทึกที่ครอบคลุมและการจัดการข้อยกเว้นแบบกำหนดเอง เพื่อให้มั่นใจถึงการติดตามและการแก้ไขจุดบกพร่องที่ง่ายดาย

ภาพรวมข้อมูล

โครงการใช้ชุดข้อมูลที่ประกอบด้วยคุณลักษณะหลายประการที่บ่งบอกถึงผลการเรียนของนักเรียน:

• ข้อมูลประชากร : รวมถึงเพศ เชื้อชาติ/ชาติพันธุ์ และนักเรียนจะได้รับอาหารกลางวันฟรี/ลดราคาหรือไม่
• ประวัติการศึกษา : ครอบคลุมระดับการศึกษาของผู้ปกครองและไม่ว่านักเรียนจะสำเร็จหลักสูตรเตรียมสอบหรือไม่
• คะแนน : คะแนนการอ่านและการเขียนถูกใช้เป็นคุณสมบัติการป้อนข้อมูล

การประมวลผลข้อมูล

• การนำเข้าข้อมูล : นำเข้าข้อมูลจากไฟล์ CSV โดยอัตโนมัติ โดยแบ่งออกเป็นชุดข้อมูลการฝึกอบรมและการทดสอบ
• การแปลงข้อมูล : แปลงข้อมูลเชิงหมวดหมู่โดยใช้การเข้ารหัสแบบ hot-hot และปรับขนาดคุณสมบัติตัวเลขเพื่อเตรียมพร้อมสำหรับการฝึกโมเดล
• ชุดข้อมูลการฝึกอบรมและการทดสอบ : ข้อมูลที่เตรียมไว้จะแบ่งออกเป็นชุดการฝึกอบรมและการทดสอบเพื่อประเมินประสิทธิภาพของโมเดล

การติดตั้ง

1. โคลนพื้นที่เก็บข้อมูล

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

2. ตั้งค่าสภาพแวดล้อมเสมือน (ไม่บังคับ แต่แนะนำ)

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

3. ข้อกำหนดในการติดตั้ง

   pip install -r requirements.txt

เรียกใช้แอปพลิเคชัน

1. เริ่มแอป Flask

   python app.py

   สิ่งนี้จะเรียกใช้เว็บแอปพลิเคชันบน localhost บนพอร์ต 5000

2. เข้าถึงเว็บอินเตอร์เฟส

   • เปิดเบราว์เซอร์แล้วไปที่ http://localhost:5000/
   • ใช้แบบฟอร์มบนเว็บเพื่อป้อนข้อมูลนักเรียนและรับคำทำนาย

โครงสร้างโครงการ

• app.py : จุดเริ่มต้นของแอปพลิเคชัน Flask
• application.py : จัดการเส้นทางและการจัดการเว็บฟอร์ม
• predict_pipeline.py : จัดการไปป์ไลน์การทำนาย รวมถึงการประมวลผลล่วงหน้าและการทำนายโมเดล
• data_ingestion.py : จัดการการนำเข้าและการประมวลผลข้อมูลเบื้องต้น
• data_transformation.py : ใช้งานไปป์ไลน์การประมวลผลล่วงหน้า
• model_trainer.py : จัดการการฝึกฝนโมเดลการเรียนรู้ของเครื่องโดยใช้อัลกอริธึมต่างๆ เช่น RandomForest, DecisionTree, GradientBoosting และอื่นๆ
• utils.py : ฟังก์ชันยูทิลิตี้สำหรับซีเรียลไลซ์และงานอื่น ๆ
• logger.py : กำหนดค่าการบันทึกสำหรับการตรวจสอบ
• exception.py : การจัดการข้อยกเว้นแบบกำหนดเองสำหรับการจัดการข้อผิดพลาดที่มีประสิทธิภาพ

มีส่วนร่วม

ยินดีบริจาค! โปรดแยกพื้นที่เก็บข้อมูลและส่งคำขอดึงพร้อมกับการเปลี่ยนแปลงที่คุณเสนอ

ใบอนุญาต

เผยแพร่ภายใต้ใบอนุญาต MIT ดูไฟล์ LICENSE สำหรับข้อมูลเพิ่มเติม