🎓 Student Dropout ML

Progetto di Machine Learning per predire il dropout universitario, sviluppato nell'ambito del corso Develhope Data/AI Analyst.

📋 Descrizione

Il progetto utilizza dati reali di 4.424 studenti universitari per costruire un modello predittivo in grado di identificare gli studenti a rischio di abbandono degli studi. Il problema è trattato come classificazione binaria: Dropout vs Graduate.

Il dataset è disponibile sull'UCI Machine Learning Repository.

👥 Il Team

• Youssra Zarouky
• Jessica M Pucci

🛠️ Installazione

Prerequisiti

• Python 3.13 o superiore
• Git

Setup dell'ambiente

1. Clona la repository:

   git clone https://github.com/jessica-m-pucci/student-dropout-ml.git
   cd student-dropout-ml

2. Crea il virtual environment:

   python -m venv .venv

3. Attiva il virtual environment:

   Windows:

   .venv\Scripts\Activate.ps1

Mac/Linux:

   source .venv/bin/activate

4. Installa le dipendenze:

   pip install -r requirements.txt

🚀 I Notebook

Nella cartella del progetto in VS Code seleziona il kernel .venv per eseguire i notebook nella cartella notebooks/:

Notebook	Contenuto
01_preliminary_analysis.ipynb	Caricamento, pulizia e analisi preliminare
02_exploratory_analysis.ipynb	Analisi esplorativa e visualizzazioni
03_outlier_analysis.ipynb	Rilevazione e gestione degli outlier
04_machine_learning.ipynb	Modelli ML e valutazione

📁 Struttura della Repository

student-dropout-ml/
│
├── data/
│   ├── raw/                        # Dataset originale — NON modificare mai questi file
│   │   └── data.csv
│   └── processed/                  # Dataset dopo pulizia e preprocessing
│       └── data_clean.csv
│
├── notebooks/
│   ├── 01_preliminary_analysis.ipynb
│   ├── 02_exploratory_analysis.ipynb
│   ├── 03_outlier_analysis.ipynb
│   └── 04_machine_learning.ipynb
│
├── src/                            # Funzioni Python riutilizzabili
│   ├── __init__.py                 # File vuoto, serve a Python per riconoscere la cartella
│   ├── preprocessing.py            # Funzioni di pulizia e encoding
│   ├── visualization.py            # Funzioni per generare grafici
│   └── evaluation.py               # Funzioni per valutare i modelli
│
├── outputs/
│   └── figures/                    # Tutti i grafici salvati in PNG
│
├── presentation/                   # Slide finali
│
├── requirements.txt                # Lista delle librerie Python usate
└── README.md                       # Descrizione del progetto e istruzioni