Seis preguntas distintas, un mismo flujo de trabajo: explorar datos reales, dejarlos en condiciones de usarse y entrenar modelos para responderlas. Los datasets cubren salud (diabetes, riesgo crediticio), inmuebles (Melbourne, California Housing), deporte (EA FC 24) y tecnología (encuesta Sysarmy 2025). Trabajo grupal realizado durante la Diplomatura en Ciencia de Datos, Aprendizaje Automático y sus Aplicaciones (FAMAF, 2025).
Diplomatura en Ciencia de Datos, Aprendizaje Automático y sus Aplicaciones
Esta sección reúne una selección de proyectos desarrollados durante la Diplomatura en Ciencia de Datos, Aprendizaje Automático y sus Aplicaciones, cada uno partiendo de una pregunta concreta sobre datos reales y resuelta con técnicas de machine learning supervisado (el modelo aprende a partir de ejemplos ya etiquetados) y no supervisado (el modelo busca patrones sin etiquetas previas).
En conjunto, los trabajos recorren las etapas típicas de un proyecto de data science: entender los datos antes de modelarlos, dejarlos en condiciones de usarse, elegir y entrenar un modelo, y evaluar qué tan bien funciona — siempre con la mirada puesta en qué decisión permite tomar el resultado, no solo en el número final.
Autores
Ana Luz Alabi Nassr · Felipe Ávila · Grisel Britos · Paula Nieto · Sofía Perón Santana
📂 Proyectos
🧮 Modelado Predictivo (Aprendizaje Supervisado)
🩺 Predicción de Diabetes con Machine Learning
¿Es posible anticipar el riesgo de diabetes de una persona a partir de datos clínicos y demográficos simples, antes de un diagnóstico formal? Este proyecto aborda esa pregunta como un problema de clasificación (asignar una de dos categorías posibles — con diabetes o sin ella — a partir de los datos de entrada). Incluye análisis exploratorio, preprocesamiento de datos y una comparación entre varios modelos para identificar qué factores se asocian más al riesgo de la enfermedad y qué tan bien logran anticiparlo.
📈 Regresión y Análisis Exploratorio del Dataset California Housing
¿Cuánto pesa cada característica de una vivienda —ubicación, ingresos de la zona, antigüedad— en su precio, y qué tan complejo conviene hacer un modelo para predecirlo bien? Este proyecto explora esas preguntas sobre el dataset California Housing mediante regresión lineal y polinomial (dos formas de ajustar una curva a los datos; la segunda permite relaciones más flexibles que una línea recta). Se analiza el impacto de los atributos y la complejidad del modelo para encontrar un equilibrio entre ajustarse bien a los datos de entrenamiento y generalizar a datos nuevos.
🏦 Predicción de Riesgo Crediticio en Préstamos Hipotecarios
En un préstamo hipotecario no todos los errores cuestan lo mismo: dejar pasar a un cliente de alto riesgo suele salir mucho más caro que ser demasiado cauteloso. ¿Cómo se entrena un modelo teniendo eso en cuenta? Este proyecto de clasificación binaria (predecir una de dos categorías: paga o no paga) usa el Home Equity dataset para estimar el riesgo de incumplimiento en préstamos hipotecarios. Se aplican técnicas de balanceo de clases —los casos de incumplimiento suelen ser minoría en los datos, lo que dificulta detectarlos— y ajuste de hiperparámetros (los 'parámetros de configuración' de un modelo) para mejorar la detección de clientes de alto riesgo, además de analizar qué variables pesan más en la decisión crediticia.
🧩 Aprendizaje No Supervisado
⚽ Análisis Exploratorio y Clustering de Jugadores EA FC 24
¿Existen perfiles naturales entre los jugadores de un videojuego de fútbol, más allá de las posiciones oficiales? Este proyecto explora esa idea con aprendizaje no supervisado (técnicas que buscan patrones en los datos sin usar categorías predefinidas) aplicado a atributos personales y de rendimiento de jugadores de EA FC 24 (FIFA). Se agrupan variables correlacionadas y se comparan tres algoritmos de clustering: KMeans, DBSCAN y Gaussian Mixture, cada uno con una noción distinta de qué es un 'grupo', para identificar perfiles de jugadores apoyándose en visualizaciones interactivas.
🔎 Análisis Exploratorio y Curación de Datos
🔍 Análisis Exploratorio de Salarios en el Sector IT Argentino (Sysarmy 2025)
¿Qué pesa más en el salario de alguien que trabaja en IT en Argentina: el lenguaje de programación que usa, el tipo de contrato o la modalidad de trabajo? Este proyecto responde con un análisis exploratorio de datos (EDA, por sus siglas en inglés: revisar y describir un dataset antes de modelarlo) sobre la encuesta Sysarmy 2025, usando estadística descriptiva y visualización para detectar patrones salariales según experiencia, formación y condiciones laborales.
🏠 Análisis Exploratorio y Curación del Dataset de Propiedades de Melbourne
Los datos reales casi nunca vienen listos para modelar: traen valores faltantes, errores y formatos inconsistentes. ¿Cómo se los deja en condiciones de usarse? Este proyecto, dividido en dos etapas, explora y cura (limpia y prepara) el dataset de propiedades de Melbourne (Australia). Incluye tratamiento de valores faltantes, detección de outliers (valores atípicos que pueden distorsionar el análisis), codificación de variables categóricas, imputación de datos —completar valores faltantes de forma inteligente, con KNN e Iterative Imputer— y reducción de dimensionalidad con PCA (una técnica que resume muchas variables en menos, conservando la mayor parte de la información). Además, se integran datos externos mediante consultas SQL.
🔗 Exploración · Curación