✈️ Grupo 4: Proyecto de Aprendizaje Supervisado: Clasificación de Satisfacción del Cliente ✨

📝 Descripción del Proyecto

Objetivo:
El proyecto tiene como fin desarrollar un modelo de aprendizaje supervisado para predecir la satisfacción de los clientes de F5 Airlines, basándose en diversas características. Además, busca identificar las variables más relevantes para la satisfacción del cliente y presentarlas en un informe para el equipo de negocio. El proyecto se divide en dos fases:

1. Entrenar un modelo predictivo: Determinar si un cliente estará satisfecho o no con los servicios ofrecidos.
2. Desarrollar una aplicación interactiva que permita ingresar datos de nuevos clientes y genere una predicción sobre su nivel de satisfacción.

🔧 Tecnologías Utilizadas

• Scikit-learn para el entrenamiento y evaluación del modelo.
• Pandas para la manipulación y limpieza de datos.
• Streamlit para la creación de la aplicación interactiva.
• Tensorflow y Keras para entrenar y utilizar la Red Neuronal.
• Git y GitHub para el control de versiones.
• Docker para contenerizar la aplicación.
• Azure para despliegue de la aplicación y la base de datos.
• MySQL para el desarrollo de la base de datos.
• Trello para la gestión del proyecto.

🚀 Niveles de Entrega

✔️ Nivel Esencial:

• Modelo funcional de Machine Learning que predice el grado de satisfacción de los clientes.
• Análisis Exploratorio de Datos (EDA).
• Overfitting menor al 5%.
• Productivización del modelo mediante una aplicación interactiva.
• Informe de rendimiento con métricas como matrices de confusión, curva ROC y análisis de importancia de características.

⚙️ Nivel Medio:

• Técnicas de Ensemble entre Random Forest y Red Neuronal para mejorar el rendimiento del modelo.
• Uso de Validación Cruzada y Optimización de Hiperparámetros con técnicas como Grid Search y Random Search.
• Sistema de recogida de feedback y datos para futuros entrenamientos.

🖥️ Nivel Avanzado:

• Contenerización con Docker para garantizar la portabilidad del modelo.
• Despliegue en la nube y almacenamiento de datos recogidos por la aplicación en bases de datos.
• Test unitarios (pendientes de implementación).

💡 Nivel Experto:

• Experimentos o despliegues con modelos de redes neuronales Se ha entrenado un modelo de red neuronal.
• Sistemas de MLOps pendientes de desarrollo para:
  • Entrenamiento y despliegue automático de nuevas versiones del modelo.
  • A/B Testing y monitoreo de Data Drifting para asegurar la calidad del modelo antes de reemplazarlo.

🔍 Resultados Actuales

Hasta el momento, hemos alcanzado todos los niveles esperados, excepto los test unitarios y la implementación de un sistema de MLOps completo para la actualización automática del modelo en producción.

📅 Plazos

Fecha de entrega: Jueves 12 de Septiembre. Se presupuestaron dos semanas para la realización de un prototipo funcional.

📊 Datos Utilizados

El dataset utilizado contiene información sobre la satisfacción de los clientes de aerolíneas, con variables categóricas y numéricas relacionadas con el servicio brindado, tales como el servicio de wifi en vuelo, tipo de viaje, limpieza y comodidad del asiento, entre otros.

📂 Descargar Dataset

Puedes descargar el dataset utilizado en el proyecto desde el siguiente enlace:

<<<<<<< HEAD Dataset CSV

Dataset CSV

96b2915ea298f2cdf8976b75dc3dcec25cf24d2f

📂 Estructura del Repositorio

• Modelos de ML: Entrenamiento de modelos y optimización de hiperparámetros.
• App Interactiva: Aplicación para la predicción de satisfacción del cliente.
• Documentación: Informes y análisis de resultados.
• Docker: Configuración para contenerización de la aplicación.
• Presentaciones: Informes técnicos y de negocio para los stakeholders.

👥 Colaboración

Este proyecto ha sido desarrollado en equipo utilizando un flujo de trabajo colaborativo en GitHub, con ramas específicas para cada funcionalidad y commits bien documentados para asegurar la trazabilidad.

📢 Contribuidores: F5 AI School - Grupo 4