ds_predicting_house_prices's Introduction

Data Scienec Project: Predicting House Prices

Projektbeurteilung

Für alle Projekte sind grundsätzlich alle Data Science-Phasen vorgesehen:
Datenaufbereitung und Explorative Datenanalyse, speziell Visualisierung [20%]
Modellierung (Klassifikation oder Regression) mit zumindest 3 Methoden, inkl. Parameter Tuning und Benchmarking [30%]
Deployment des besten Modells mittels Webservice (und Webservice Test) [10%]
Kurzpräsentation des Projekts/der Ergebnisse mittels Dashboards [10%]
Zwei Extra-Features - zB neue Methoden, interaktive Visualisierungen [20%]
Dokumentation und Einhaltung der Projekt-Richtlinien [10%]

Erstellen Sie ein neues Projekt in R-Studio für Ihre Ausarbeitung:
Verwenden als Projektnamen: Thema_NachnameA_NachnahmeB
Erstellen Sie im Projekt sinnvolle Subfolder, z.B. /data, /dashboard, /webservice, etc.
Ihr R-Projekt sollte „self-contained“ sein. Wenn Ihr Projekt in R-Studio geöffnet wird, sollten alle Funktionalitäten verfügbar sein, verwenden Sie daher nur relative Bezüge zu Ihren Dateien und Modellen.
Das R-Projekt enthält alle Teile Ihrer Ausarbeitung.
Geben Sie in Moodle eine ZIP Datei mit dem Projektordner ab.
Dokumentation und Projektausarbeitung
Die Projektausarbeitung und -dokumentation mittels R-MD Datei(en).
Knitten Sie die Ihre Projektdokumentation (.Rmd Datei) zu einer PDF Datei.
Interpretieren Sie den Output Ihrer Analysen!
Achten Sie darauf, dass Ihr R-Code verständlich und ggf. dokumentiert ist.
Geben Sie alle nötigen Informationen an, beispielsweise, wie Ihr Webservice gestartet wird und wie es von Ihnen getestet wurde.
Für einen Dritten, der Ihr Projekt öffnet, sollte es möglich sein, Ihre R-MD Dateien zu knitten, ihr Webservice zu starten, ihr flexdashboard neu zu knitten, etc.