Skip to content

Latest commit

 

History

History
65 lines (48 loc) · 2.54 KB

README.md

File metadata and controls

65 lines (48 loc) · 2.54 KB
Raw

Este proyecto tiene como objetivo demostrar el potencial de la publicidad personalizada a través del análisis de datos de distintos segmentos de la población. Utilizando metodologías avanzadas de ciencia de datos, hemos analizado preferencias y comportamientos para crear estrategias publicitarias más efectivas y precisas.

Estructura del Proyecto

El repositorio contiene los siguientes archivos:

  • memoria_final.pdf: Documento que detalla todo el proceso y los resultados del proyecto.
  • proyecto_final.ipynb: Notebook de Jupyter con el código de análisis y visualización de datos.
  • columns.csv: Primer conjunto de datos utilizado en el análisis.
  • responses.csv: Segundo conjunto de datos utilizado en el análisis.

Instalación

Para ejecutar el código de este proyecto, necesitarás tener instalado Python y Jupyter Notebook. Además, es necesario instalar las siguientes bibliotecas:

pip install pandas numpy matplotlib seaborn scikit-learn

Uso

  1. Clona este repositorio en tu máquina local: 
    git clone https://github.com/NouhKhouyi/Gustos-Diversos-Estrategias-Unicas
  2. Navega al directorio del proyecto: 
    cd Gustos-Diversos-Estrategias-Unicas
  3. Abre el notebook de Jupyter: 
    jupyter notebook proyecto_final.ipynb
  4. Ejecuta las celdas del notebook para reproducir el análisis y visualizar los resultados.

Memoria

El archivo memoria_final.pdf proporciona una descripción detallada del proyecto, incluyendo la introducción, la motivación, el estado del arte, los objetivos, la metodología, los resultados y las conclusiones.

Notebook

El archivo proyecto_final.ipynb incluye el código utilizado para el análisis de datos. Las secciones principales son:

  • Obtención y Tratamiento de Datos: Carga y preprocesamiento de los datos.
  • Análisis Exploratorio de Datos (AED): Visualización de datos segmentada y análisis de correlaciones.
  • Detección de Comunidades: Aplicación del algoritmo Girvan-Newman, PCA, para la segmentación de la población.
  • Contraste de Hipótesis: Pruebas estadísticas para validar las diferencias significativas entre segmentos.

Datos

Los archivos columns.csv y responses.csv contienen los datos utilizados en el análisis.

Contribuciones

Las contribuciones son bienvenidas. Si deseas contribuir, por favor, abre un issue o envía un pull request.

Autores

  • Imad Rifai
  • Mihai Cristian Mihalache
  • Nouh Khouyi
  • Raúl Ruiz Sánchez
  • Rubén Tormo Piles

Tutor: José Miguel Carot Sierra