Heart Failure 💔 Machine Learning

Trabajo Práctico para la materia Aprendizaje Automático de UNSAM

📝 Introducción

A partir del dataset a trabajar (extraído de Kaggle aquí) realizaremos las primeras prácticas de prueba para conocer el dataset en una Jupyter Notebook. Luego de explorar los datos, seguiremos con la predicción y elección de un modelo.

Paper original

📦 Dependencias y ejecución

Para poder trabajar localmente, se debe hacer lo siguiente (líneas que empiezan con #, son el alternativo de la línea anterior para usuarios en Linux):

1. Clonar el repositorio

cd ./carpeta/en/donde/clonar/repo
git clone https://github.com/JaviCeRodriguez/Heart-Failure-ML.git

2. Crear un entorno virtual y activarlo

cd ./Heart-Failure-ML

python -m venv myvenv
# python3 -m venv my-project-env

myvenv/Scripts/activate
# source myvenv/bin/activate

3. Instalar librerías

pip install -r requirements.txt

Opcionalmente, pueden utilizar el entorno virtual creado por Anaconda!

4. Para desactivar el entorno (si necesario)

deactivate

Estaremos trabajando en la notebook main.ipynb, pero daremos su versión en formato *.py. Podemos ejecutar la notebook en Jupyter Notebook, Google Colab o desde Visual Studio Code. Recomendamos utilizar PyCharm, ya que facilita la instalación de las librerías en el entorno virtual y de la extensión Jupyter Notebook.

📋 Dataset

Como mencionamos anteriormente, el dataset utilizado trata sobre datos recolectados (299 muestras) a partir de pacientes con falla cardíaca. Contiene las siguientes features: age, anaemia, creatinine_phosphokinase, diabetes, ejection_fraction, high_blood_pressure, platelets, serum_creatinine, serum_sodium, sex, smoking, time y DEATH_EVENT.

👩‍🎓👨‍🎓 Integrantes del grupo

Javier Rodriguez	Martin Pierangeli	Marcelo Raponi	Maria Luz Perez Saura