Trabajo Práctico Final - Equidad en Aprendizaje Automático (Licenciatura en Ciencia de Datos)

Participantes del proyecto:

• Gerardo Toboso - [email protected]
• Gianni Bevilacqua - [email protected]
• Javier Spina - [email protected]

Este proyecto corresponde al trabajo práctico final de la materia Equidad en Aprendizaje Automático de la Lienciatura en Ciencia de Datos (1er cuatrimestre 2025). El objetivo principal es evaluar y mitigar sesgos en modelos de clasificación aplicados al dataset German Credit Data, con foco en cuestiones de equidad de género en la asignación de créditos.

📋 Enunciado del Trabajo

El trabajo consiste en desarrollar un modelo que prediga si una persona debería recibir un crédito bancario. Además de evaluar su rendimiento con métricas clásicas como accuracy, precision, recall y f1-score, se debe realizar un análisis de equidad (fairness), especialmente enfocado en la dimensión de género. Posteriormente, se deben aplicar técnicas de mitigación de sesgos y comparar los resultados con el modelo original.

El desarrollo incluye:

• Análisis exploratorio del dataset.
• Evaluación de métricas de rendimiento y equidad.
• Aplicación de técnicas de mitigación de sesgos.
• Comparación entre modelos con y sin mitigación.
• Reflexión sobre la equidad en contextos reales de aplicación de ML.

🎯 Objetivos del Proyecto

• Comprender y aplicar conceptos de equidad en aprendizaje automático.
• Identificar y analizar sesgos en modelos de clasificación.
• Implementar técnicas de mitigación de sesgos y evaluar su impacto.
• Desarrollar una solución completa, reproducible y bien documentada en Python.
• Presentar los resultados de manera clara y profesional.

📁 Estructura del Proyecto

tp_final_fairness_ML/
│
├── notebooks/                    
│   ├── german_credit_fairness.ipynb               # Notebook principal que contiene el desarrollo del proyecto
│   └── README.md
│
├── informe_trabajo_practico.pdf                   # Informe en formato PDF con los resultados del proyecto 
│
├── requirements.txt              # Dependencias del proyecto
├── setup.py                      # Instalación del proyecto en modo editable
├── README.md                     # Archivo actual
└── .gitignore                    # Exclusiones de Git

⚙️ Cómo clonar y correr este proyecto

1. Clonar el repositorio

git clone https://github.com/Gerardo1909/tpfinal_equidad.git
cd tpfinal_equidad

2. Crear y activar un entorno virtual

python -m venv venv
source venv/bin/activate      # En Linux/macOS
venv\Scripts\activate.bat     # En Windows

3. Instalar las dependencias

pip install -r requirements.txt

4. Instalar el proyecto en modo editable

Esto permite importar los módulos de utils desde cualquier notebook sin problemas:

pip install -e .