Minería de Datos Datawarehousing

Selección del modelo

• Selección del modelo
• Justification: explicación del por qué se eligio el modelo en particular. Fortalezas y debilidades y por qué es adecuado para el problema dado.
• Relevance: descripción de cómo el modelo elegido se alinea con los objetivos del proyecto y el tipo de datos disponibles. Referencias de casos de uso o estudios similares en los que este modelo haya sido eficaz.

Análisis exploratorio de datos (EDA)

• Resumen de datos: resumen del conjunto de datos, incluido el número de observaciones, variables y tipos de datos.
• Repositorios exógenos: identificación y descripción de cualquier fuente de datos externa que pueda integrarse para mejorar el análisis. Explicación de la relevancia y el impacto potencial de estos datos adicionales.
• Visualización de datos: creación de visualizaciones para descubrir patrones, tendencias y valores atípicos en los datos. Uso de gráficos, cuadros y diagramas para ilustrar sus hallazgos.
• Limpieza de datos: detalle del proceso de limpieza de datos, incluido el manejo de valores faltantes, valores atípicos e inconsistencias. Documentación de cualquier transformación o normalización aplicada.
• Imputación de datos: explicación de los métodos utilizados para imputar los valores faltantes y justificación de la elección de las técnicas.

Task 3 - Due Date: 15/10/2024

Data Migration to BigQuery & Model Preparation

• Migration Plan
• Execution
• Models
• Model Selection
• Training
• Cross-validation
• Metrics Analysis and Results

Task 4 - Due Date: 11/12/2024

Dashboard Presentation

• Dashboard Design
• Implementation
• Results Presentation
• User Interaction

Final Presentation (Last Day of Classes)

• Overview
• Feedback Incorporation
• Future Work