{
  "fetched_at": "2026-10-19T21:55:58Z",
  "source_url": "https://www.kaggle.com/competitions/copia-competencia-para-estudiar/data",
  "pages": [
    {
      "name": "data-description",
      "content": "##**Archivos**\n\n*   **train.csv** - El dataset de entrenamiento\n*   **pred.csv** - El dataset que deben predecir\n*   **ejemplo_predicciones.csv** - Un ejemplo del formato que deben tener los archivos de predicciones para ingresarlos a Kaggle\n\n## **Columnas**\n\nage (numeric)\njob : type of job (categorical: \"admin.\",\"blue-collar\",\"entrepreneur\",\"housemaid\",\"management\",\"retired\",\"self-employed\",\"services\",\"student\",\"technician\",\"unemployed\",\"unknown\")\nmarital : marital status (categorical: \"divorced\",\"married\",\"single\",\"unknown\"; note: \"divorced\" means divorced or widowed)\n  education (categorical: \"basic.4y\",\"basic.6y\",\"basic.9y\",\"high.school\",\"illiterate\",\"professional.course\",\"university.degree\",\"unknown\")\ndefault: has credit in default? (categorical: \"no\",\"yes\",\"unknown\")\n  housing: has housing loan? (categorical: \"no\",\"yes\",\"unknown\")\nloan: has personal loan? (categorical: \"no\",\"yes\",\"unknown\")\n   # related with the last contact of the current campaign:\n contact: contact communication type (categorical: \"cellular\",\"telephone\") \nmonth: last contact month of year (categorical: \"jan\", \"feb\", \"mar\", ..., \"nov\", \"dec\")\nday_of_week: last contact day of the week (categorical: \"mon\",\"tue\",\"wed\",\"thu\",\"fri\")\n\n   # other attributes:\ncampaign: number of contacts performed during this campaign and for this client (numeric, includes last contact)\npdays: number of days that passed by after the client was last contacted from a previous campaign (numeric; 999 means client was not previously contacted)\nprevious: number of contacts performed before this campaign and for this client (numeric)\npoutcome: outcome of the previous marketing campaign (categorical: \"failure\",\"nonexistent\",\"success\")\n   # social and economic context attributes\nemp.var.rate: employment variation rate - quarterly indicator (numeric)\ncons.price.idx: consumer price index - monthly indicator (numeric)     \ncons.conf.idx: consumer confidence index - monthly indicator (numeric)     \nnr.employed: number of employees - quarterly indicator (numeric)\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "Los bancos, y en general los establecimientos de crédito, necesitan captar recursos para financiar sus operaciones y actividades. Una forma común en la que los bancos obtienen fondos es a través de la emisión de certificados de depósito a término (CDT). \n\nLos bancos utilizan los fondos captados de los CDT para conceder préstamos a empresas y particulares, para invertir en activos financieros o para cumplir con los requisitos de reserva que exigen los reguladores. Por estos motivos, poder predecir si un cliente va a adquirir uno de estos productos es un problema de negocio muy relevante que debe resolver un banco.\n\nEl objetivo de este taller es que de acuerdo a la base de datos de campañas de mercadeo que se realizó con los clientes de un banco, puedan predecir si ese cliente adquirió o no adquirió un CDT. \n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "Métrica de evaluación: **Accuracy**\n\nLa métrica de accuracy es una medida comúnmente utilizada en problemas de clasificación para evaluar el rendimiento de un modelo y va a ser la utilizada para evaluar el desempeño de cada uno de sus modelos. Se define como la proporción de predicciones correctas realizadas por el modelo en relación con el número total de predicciones. Matemáticamente, se expresa de la siguiente manera:\n\nEl accuracy proporciona una visión general de la capacidad del modelo para predecir correctamente las clases de los datos. Cuanto mayor sea el valor de la métrica, mejor será el rendimiento del modelo en términos de hacer predicciones precisas.\n\nSin embargo, es importante tener en cuenta que el accuracy puede no ser la métrica más adecuada en todos los casos, especialmente cuando los datos están desequilibrados.\n\n\nPara subir sus predicciones a esta competencia, el archivo deberá tener el siguiente formato:\n\n- Debe ser un archivo csv\n- Debe tener 2 columnas llamadas: id, target",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "En el Public Leaderboard van a poder ver los resultados obtenidos con el 30% de los datos de predicciones. Es decir, la métrica final que van a obtener se calculará a partir del 70% de los datos de las predicciones (Private Leaderboard).",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}