El taller será evaluado de esta manera: 

### Envíos: 
Para la evaluación se espera que: 
- envíen un archivo con los resultados a Kaggle haciendo un submission 
- suban a Moodle el notebook correspondiente teniendo en cuenta el contenido esperado detallado a continuación 

### Entendimiento y preparación de datos: 
- Análisis del baseline (0.2 puntos) 
- Análisis de missing values (0.2 puntos) 
- Análisis de outliers (0.2 puntos) 
- Imputación de valores (0.4 puntos) 

### Feature Engineering: 
- Tratamiento de variables categóricas (0.2 puntos) 
- Uso de PCA y LDA (0.6 puntos) 
- Selección de variables con Lasso (0.4 puntos) 

### Calibración y selección de modelo 
- LDA y QDA (0.4 puntos) 
- SVC con diferentes kernels (0.8 puntos) 
- Lasso y Ridge (0.4 puntos) 
- Redes neuronales densas poco profundas (1 punto) 
- Escogencia del flujo final (0.2 puntos) 

### Competencia 
Adicionalmente, al tratarse de una competencia, según la posición en la misma se otorgarán puntos de bonificación de la siguiente manera: 
- Primer grupo: 1 punto 
- Segundo grupo: 0.6 puntos 
- Tercer grupo: 0.3 puntos 

Para la competencia se tendrá en cuenta los resultados con la métrica de ROC AUC. A parte del dataset provisto a cada grupo, se tendrá un dataset de validación no accesible directamente por los estudiantes, pero que se scoreará con cada submisión de resultados sobre un dataset privado.
Cada grupo deberá predecir la probabilidad de impago de un crédito para instancia del test set, y se deberá subir un archivo a esta competencia de Kaggle con los resultados, únicamente dos columnas `id_cliente` y `bad`, separadas por comas, tal como se muestra en el siguiente ejemplo: 

``` id_cliente,bad 42010,0.551 42011,0.326 ```