Rusty Bargain: Predicción de Precios de Autos con Machine Learning

📖 Descripción

Este proyecto fue desarrollado para Rusty Bargain, un servicio de venta de autos usados, con el fin de crear una herramienta que estime el valor de mercado de un vehículo de forma rápida y precisa. Se construyó un modelo de Machine Learning que, basándose en el historial del vehículo (especificaciones, versión, kilometraje), predice su precio de venta.

El principal desafío es encontrar un equilibrio óptimo entre la calidad de la predicción, la velocidad de inferencia y el tiempo de entrenamiento del modelo.

✨ Fases del Proyecto

El Jupyter Notebook documenta todo el proceso, desde la exploración hasta la evaluación del modelo:

• Preparación de Datos: Limpieza de valores nulos, corrección de tipos de datos y manejo de outliers en el dataset car_data.csv.
• Ingeniería de Características (Feature Engineering): Aplicación de técnicas de codificación (como One-Hot Encoding) para las variables categóricas (marca, modelo, versión).
• Entrenamiento de Modelos: Se experimentó con diferentes algoritmos de regresión, desde modelos simples como Regresión Lineal hasta ensambles más complejos como LightGBM y CatBoost.
• Evaluación Comparativa: Los modelos fueron evaluados no solo por su precisión, sino también por su eficiencia computacional.

🎯 Criterios de Éxito

Para Rusty Bargain, un modelo exitoso debe balancear tres factores clave:

1. Calidad de la Predicción: Minimizar el error (medido con RMSE) para dar estimaciones fiables a los clientes.
2. Velocidad de Predicción: El tiempo de inferencia debe ser mínimo para garantizar una experiencia de usuario fluida en la aplicación.
3. Tiempo de Entrenamiento: El modelo debe poder ser re-entrenado eficientemente con nuevos datos sin requerir una infraestructura excesivamente costosa.

🛠️ Tecnologías Usadas

⚙️ Instalación y Uso

1. Clona el repositorio:

   git clone https://github.com/TU_USUARIO/RustyBargain.git
   cd RustyBargain
   

2. Crea y activa un entorno virtual:

   python -m venv venv
   source venv/bin/activate  # En Windows: venv\Scripts\activate
   

3. Instala las dependencias:

   pip install -r requirements.txt # Asegúrate de tener este archivo en tu repo
   

4. Ejecuta Jupyter Notebook:

   jupyter notebook
   

   Abre notebooks/Proyecto Sprint 14.ipynb para ver el análisis completo.

📂 Estructura del Repositorio

├── data/ │ └── car_data.csv ├── notebooks/ │ └── Proyecto Sprint 14.ipynb ├── requirements.txt └── README.md

👤 Autor

¡Hablemos de modelos, métricas y cómo resolver problemas de negocio con datos!

• GitHub: LuisT0
• LinkedIn: Luis Antonio Torres Villalobos