{
  "fetched_at": "2026-10-20T00:52:04Z",
  "source_url": "https://www.kaggle.com/competitions/fa-ii-2024-ii-flujos-de-modelos-tradicionales/data",
  "pages": [
    {
      "name": "data-description",
      "content": "### Archivos\n- train.parquet - El set de datos de entrenamiento\n- test.parquet - El set de datos de test\n- sample_submission.csv - un ejemplo de un archivo a someter en la competencia\n- Diccionario.xslx - Descripción de los campos que se encuentran en el train y test set.\n\nPara leer archivos parquet, seguir las instrucciones que encontrarán aquí (se pueden leer directamente a un pandas Dataframe, después de haber instalado el paquete fastparquet).\nhttps://pandas.pydata.org/pandas-docs/version/0.21/io.html#io-parquet",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "### Contexto de negocio. \n\nEl cáncer de próstata es uno de los tipos de cáncer más comunes en hombres. La detección temprana es crucial para mejorar las tasas de supervivencia. La prueba de antígeno prostático específico (PSA)  puede ayudar a detectar el cáncer de próstata en etapas tempranas, cuando es más tratable. Sin embargo, el PSA no es específico para el cáncer de próstata y puede estar elevado en otras condiciones como prostatitis o hiperplasia prostática benigna (HPB). \n\nEl antígeno prostático específico (PSA) es una proteína producida por células normales y malignas de la glándula prostática. La prueba del PSA mide el nivel de esta proteína en la sangre y es uno de los métodos más utilizados para el tamizaje del cáncer de próstata.\n\nLa EPS SaludPorTi, está interesado en priorizar la toma de está prueba, aumentando la demanda y detención temprana del Cáncer de Próstata.\n\n\n### Problema de negocio\n\nLa empresa ha decidido contratarlos para que construyan un modelo predictivo que permita estimar la probabilidad de que un usuario entre 48 y 60 años de edad presente resultados anormales de PSA.\n\n### Contexto analítico\n\nSe espera que entrene diferentes familias de modelos predictivos de clasificación (SVC con diferentes kernels, Redes Neuronales poco profundas), precedidos por diferentes procesos de transformación (normalizaciones, imputación, feature engineering, dummificación, PCA,  selección de features).\n\nLa evaluación de la calidad de los flujos de modelos predictivos se debe estimar utilizando la métrica de ROC_AUC.\n\nExpliquen sus ideas, el por qué realizan las acciones, y comenten los resultados obtenidos; se espera mucho más que unos bloques de código.\nLa toma de decisiones sobre los datos se debe hacer considerando el contexto del problema y de los datos, no se puede ver todo solamente desde los ojos de los datos, sino también considerar el negocio.\nUn Científico de Datos debe poder comunicar los puntos importantes de su trabajo en un lenguaje universal para todos los públicos.\nTodo esto se considerará en la nota.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "El taller será evaluado de esta manera: \n\n### Envíos: \nPara la evaluación se espera que: \n- envíen un archivo con los resultados a Kaggle haciendo un submission \n- suban a Intu el notebook correspondiente teniendo en cuenta el contenido esperado detallado a continuación \n\n### Entendimiento y preparación de datos: \n- Análisis del baseline (0.2 puntos) \n- Análisis de missing values (0.2 puntos) \n- Análisis de outliers (0.2 puntos) \n- Imputación de valores (0.4 puntos) \n\n### Feature Engineering: \n- Tratamiento de variables categóricas (0.2 puntos) \n- Uso de PCA (0.4 puntos)\n- Selección de variables (0.4 puntos) \n\n### Calibración y selección de modelo \n- Custom Transformers (0.4)\n- Uso de Optimización bayesiana (0.6 puntos)\n- SVC con diferentes kernels (0.8 puntos) \n- Redes neuronales densas poco profundas (1 punto) \n- Escogencia del flujo final (0.2 puntos) \n\n### Competencia \nAdicionalmente, al tratarse de una competencia, según la posición en la misma se otorgarán puntos de bonificación de la siguiente manera: \n- Primer grupo: 1 punto \n- Segundo grupo: 0.6 puntos \n- Tercer grupo: 0.3 puntos \n\nPara 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.\nCada grupo deberá predecir la probabilidad de obtener un resultado de psa anormal como apoyo de detección de cancer de prostata para instancia del test set, y se deberá subir un archivo a esta competencia de Kaggle con los resultados, únicamente dos columnas `ID` y `Target`, separadas por comas, tal como se muestra en el siguiente ejemplo: \n\n``` ID,Target 20012,0.551 1,0.326 ```\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "**OJO:** El trabajo es en parejas (parejas de a **dos**!).\nEs completamente válido buscar en internet soluciones a preguntas de código, no hay problema en eso. Sin embargo, en varios semestres anteriores, ha pasado, y ojalá no vuelva a pasar, que se copien pedazos de códigos entre grupos, siendo esto bastante evidente. Todo siempre comienza cuando varios grupos se reunen a desarrollar el taller \"por separado\", pero siempre termina en utilización del mismo pedazo de código, ya sea porque lo encuentran juntos en la web o porque un grupo le muestra al otro.\nEvitemos problemas; que cada grupo trabaje de manera totalmente independiente. Es bastante incómodo (para todos) tener que tomar acciones punitivas como tener que repetir la materia.\n\n**OJO:** no olviden aplicar buenas prácticas en cuanto a metodología, pues problemas como el **data leakage** deben ser evitados a toda costa e influiran en la calificación.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}