Reconstruir notas do ENEM
help
{{apiData.me.position}}˚ no Ranking
profile pic account_circle
Login Comece agora
Iniciar Desafio Iniciar Desafio Fórum
{{apiData.participant_count}} Participantes
Criado Por: Created by Daniel Severo
Python
Pandas
Sklearn
Regression
Classification

Reconstruir notas do ENEM.

Considerando que algumas notas do ENEM foram perdidas, você as reconstruirá a partir do resultado da média final - criando um modelo para prever as respostas assinaladas.

Tópicos

Neste desafio você aprenderá:

  • Python
  • Pandas
  • Sklearn
  • Regression
  • Classification

Requisitos

Você precisará de python 3.6 (ou superior) e do gerenciador de pacotes pip.

O recomendado é você utilizar um ambiente virtual. Para isto, execute os comandos como no exemplo abaixo:

Linux/macos

pip3 install virtualenv
virtualenv ../venv -p python3
source ../venv/bin/activate 
pip install -r requirements.txt

Windows

pip3 install virtualenv
virtualenv ..\venv -p python3
..\venv\Scripts\activate
pip install -r requirements.txt

Ao terminar o desafio, você pode sair do ambiente criado com o comando deactivate

Detalhes

O contexto do desafio gira em torno dos resultados do ENEM 2016 (disponíveis no arquivo train.csv). Este arquivo, e apenas ele, deve ser utilizado para todos os desafios. Qualquer dúvida a respeito das colunas, consulte o Dicionário dos Microdados do Enem 2016.

A coluna TX_RESPOSTAS_MT contém a sequência de respostas assinaladas pelas pessoas participantes. No arquivo test.csv foram removidas as últimas 5 respostas de cada uma delas. Crie um modelo para recuperá-las.

Salve sua resposta em um arquivo chamado answer.csv com duas colunas: NU_INSCRICAO e TX_RESPOSTAS_MT.

codenation code review

Para receber Code review, compartilhe o link abaixo com colegas ou em nosso fórum de discussões:

codenation code review

Para receber Code review, você precisa primeiramente finalizar o desafio.

{{apiData.participant_count}} Participantes

Para definir seu posicionamento no ranking do desafio, utilizaremos a nota mais alta que tiver conquistado nele. Caso outra pessoa participante obtenha a mesma nota que a sua, o critério de desempate será data e hora de envio da mais recente.

empty ranking Ainda não temos participantes suficientes para o ranking!
Aproveite e seja um dos primeiros a participar desse desafio.
CODE:NOME NOTA
{{candidate.position}}. {{candidate.name}} {{candidate.score.toFixed(2)}}%
Classification

In this video, I want to start to talk about classification problems, where the variable y that you want to predict is valued. We'll develop an algorithm called logistic regression, which is one of the most popular and most widely used learning algorithms today.

Machine Learning

This course provides a broad introduction to machine learning, datamining, and statistical pattern recognition. Topics include: (i) Supervised learning (parametric/non-parametric algorithms, support vector machines, kernels, neural networks). (ii) Unsupervised learning (clustering, dimensionality reduction, recommender systems, deep learning). (iii) Best practices in machine learning (bias/variance theory; innovation process in machine learning and AI).

Markov Chains

Interactive guide for visually understanding Markov Chains

Hidden Markov Models

A complete mathematical introduction to Markov Chains and Hidden Models.