Proyecto Data Science: API de Predicción de Precios del Sector Inmobiliario, basados en Modelos de Aprendizaje Supervisado
Resumen La motivación de este proyecto surge cuando nos planteamos evaluar la viabilidad de un modelo de negocio, relacionado con el mercado inmobiliario y para definir el Mínimo Producto Viable (MPV).
El objetivo es obtener una Application Programming Interface (API) que proporcione la simulación de estimaciones de precios de los inmuebles, en función de las variables explicativas determinadas y el modelo de aprendizaje supervisado óptimo.
Definir un modelo de predicción de precios de la vivienda es la parte central del API y permitirá a los vendedores determinar el precio promedio al que deben poner al inmueble en venta, a las inmobiliarias asesorar a sus clientes en el proceso de negociación del precio entre el comprador y el vendedor, y a los compradores, puede ayudarles a encontrar el precio promedio correcto para comprar la casa, evaluando un mayor número de parámetros, de forma más objetiva.
Abstract
The motivation of this project arises when we consider evaluating the viability of a business model, related to the real estate market and to define the Minimum Viable Product (MPV).
The objective is to obtain an application programming interface (API) that provides the simulation of real estate price estimates, based on the explanatory variables determined and the optimal supervised learning model.
Defining a housing price prediction model is the central part of the API and will allow sellers to determine the average price at which they should put the property up for sale, real estate agents to advise their clients in the price negotiation process between the buyer and seller, and buyers, can help them find the correct average price to buy the house, evaluating a greater number of parameters, in a more objective way.
Contenido de las carpetas:
- artículo: articulo (Proyecto_Data_Science.vs1.pdf), presentación en pptx y pdf (presentacion proyecto v1.pdf/pptx)
- data: bases de datos usadas en el estudio y la API
- generador app: main.py >subcarpetas(model: procuccion.py, app: encoder.pickle y model.pickle, src: carpeta sistema, template: index.htlm y result.html)
- graficos: Gráficos obtenidos de las notebooks
- noteboocks: proyecto_concatena_scraping.ipynb, proyecto_tratamiento_BasesD.ipynb, proyecto_modelo.ipynb, proyecto_provincia_budget.ipynb