Saltar navegación

Recursos para alumnado

Rúbricas de avaliación de actividades

Rúbrica 📂 Actividade 1: Exploración inicial dos datos

Criterio Excelente (9-10) Bo (7-8) Aceptable (5-6) Mellorable (3-4) Moi mellorable (0-2)
Importación de librarías Todas as librarías necesarias importadas correctamente e coas anotacións explicativas. Importación correcta pero con anotacións pouco claras. Importación realizada pero con algunha libraría ausente. Erro na importación ou falta de librarías esenciais. Non se importaron as librarías necesarias.
Carga de datos Dataset cargado correctamente desde Seaborn ou Kaggle. Carga realizada pero con pequenos problemas na ruta do ficheiro. Carga realizada pero con erro na lectura do arquivo. Problemas graves na carga do dataset que impiden o traballo. Non se realiza a carga do dataset.
Exploración da estrutura Uso correcto de df.info() para analizar tipos de datos e nulos. Exploración realizada pero con interpretación incompleta. Uso mínimo de df.info() sen análise significativa. Exploración incorrecta ou resultados confusos. Non se realizou a exploración de datos.
Identificación de valores nulos Uso correcto de df.isnull().sum() e análise adecuada dos valores nulos. Identificación correcta pero con reflexións incompletas. Execución correcta pero sen análise significativa dos resultados. Non identifica correctamente os valores nulos. Non realiza a identificación de valores nulos.
Tratamento de valores nulos Aplicación de métodos eficientes para eliminar ou substituír valores nulos. Corrección de valores nulos pero con algunha estratexia pouco óptima. Uso de métodos con erros ou pouca adecuación. Tratamento incorrecto ou insuficiente dos valores nulos. Non realiza ningún tratamento sobre valores nulos.
Actitude ante os problemas Actitude proactiva, busca solucións óptimas e melloras no código. Resolve os problemas con esforzo, aínda que precisa apoio puntual. Resolve con dificultades pero sen explorar melloras posibles. Pouco intento de solucionar problemas, resígnase ante os erros. Non intenta resolver os problemas ou abandona o traballo.
Traballo colaborativo Comunicación eficaz e traballo equilibrado en parella. Traballo en equipo con pequenas dificultades na colaboración. Interacción mínima, traballo case independente. Pouca colaboración, realízase gran parte do traballo de forma individual. Non colabora coa parella nin contribúe ao traballo conxunto.

Rúbrica 🛠️ Actividade 2: Preprocesado e transformación dos datos

Criterio Excelente (9-10) Bo (7-8) Aceptable (5-6) Mellorable (3-4) Moi mellorable (0-2)
Conversión de variables categóricas Uso correcto de pd.get_dummies() para transformar variables categóricas en numéricas. Conversión feita correctamente pero con algunha falta de optimización (ex. non usa drop_first=True). Conversión realizada pero con erros na transformación das categorías. Erro na conversión ou categorización incompleta de certas variables. Non se realiza a conversión de variables categóricas.
Uso de One-Hot Encoding Implementación de One-Hot Encoding eficiente, creando novas columnas correctamente. Uso correcto pero con nomenclatura pouco clara nas novas columnas creadas. Transformación parcial das variables, perdendo información relevante. Erro na xeración das novas columnas, facendo a conversión incorrecta. Non se aplicou One-Hot Encoding.
Escalado de datos con StandardScaler Uso correcto de StandardScaler() para centrar e normalizar os valores. Escalado realizado pero con problemas na interpretación dos datos. Escalado aplicado pero con problemas na selección das columnas. Erro na aplicación do escalado ou resultados incoherentes. Non se aplicou ningún método de escalado.
Escalado de datos con MinMaxScaler Uso correcto de MinMaxScaler() mantendo valores interpretables. Aplicación correcta pero con valores pouco optimizados. Uso mínimo do escalado sen clara vantaxe sobre os datos. Erro na aplicación do escalado, alterando negativamente os datos. Non se aplicou MinMaxScaler.
Reflexión sobre o impacto do escalado Interpretación correcta dos efectos do escalado e impacto no modelo. Reflexión parcial sobre o impacto do escalado. Comentario sobre escalado pero sen análise profunda. Interpretación errónea ou pouco fundamentada dos resultados. Non realiza reflexión sobre o escalado e impacto nos datos.
Actitude ante os problemas Actitude proactiva, busca solucións óptimas e melloras no código. Resolve os problemas con esforzo, aínda que precisa apoio puntual. Resolve con dificultades pero sen explorar melloras posibles. Pouco intento de solucionar problemas, resígnase ante os erros. Non intenta resolver os problemas ou abandona o traballo.
Traballo colaborativo Comunicación eficaz e traballo equilibrado en parella. Traballo en equipo con pequenas dificultades na colaboración. Interacción mínima, traballo case independente. Pouca colaboración, realízase gran parte do traballo de forma individual. Non colabora coa parella nin contribúe ao traballo conxunto.

Rúbrica 📊 Actividade 3: Análise Exploratoria

Criterio Excelente (9-10) Bo (7-8) Aceptable (5-6) Mellorable (3-4) Moi mellorable (0-2)
Visualización da distribución de idades Uso correcto de sns.histplot(), etiquetas ben colocadas e título axeitado. Visualización correcta pero con problemas menores na presentación dos datos. Gráfico de distribución realizado pero con problemas na escala ou no uso de etiquetas. Erro na implementación, resultados confusos ou pouco interpretables. Non realiza a visualización da distribución de idades.
Visualización da distribución das tarifas Uso correcto de sns.histplot() con adecuada interpretación dos datos. Gráfico ben realizado pero con pequenas omisións na análise. Visualización feita pero con problemas na configuración. Erro na visualización ou datos pouco representativos. Non realiza a visualización da distribución das tarifas.
Visualización por sexos Uso correcto de sns.countplot() para mostrar a distribución. Gráfico ben feito pero con erros menores na interpretación dos valores. Uso mínimo da visualización sen análise detallada. Erro na representación dos datos por sexo. Non realiza a visualización por sexos.
Visualización por clases Uso correcto de sns.countplot() con adecuada análise dos datos. Gráfico ben feito pero con imprecisións menores. Uso mínimo da visualización sen gran contexto analítico. Erro na representación ou resultados confusos. Non realiza a visualización por clases.
Análise de correlacións co heatmap Uso correcto de sns.heatmap() para visualizar as correlacións. Implementación correcta pero con análise superficial. Uso mínimo do heatmap sen grandes conclusións. Erro na representación das correlacións ou valores incoherentes. Non realiza a análise de correlacións.
Análise de correlacións entre múltiples variables Uso correcto de múltiples sns.heatmap() con adecuada interpretación. Heatmaps ben feitos pero con interpretación limitada. Visualización parcial sen comparación significativa entre variables. Erro nos gráficos ou valores mal interpretados. Non realiza a comparación entre múltiples variables.
Actitude ante os problemas Actitude proactiva, busca solucións óptimas e melloras no código. Resolve os problemas con esforzo, aínda que precisa apoio puntual. Resolve con dificultades pero sen explorar melloras posibles. Pouco intento de solucionar problemas, resígnase ante os erros. Non intenta resolver os problemas ou abandona o traballo.
Traballo colaborativo Comunicación eficaz e traballo equilibrado en parella. Traballo en equipo con pequenas dificultades na colaboración. Interacción mínima, traballo case independente. Pouca colaboración, realízase gran parte do traballo de forma individual. Non colabora coa parella nin contribúe ao traballo conxunto.

Rúbrica 🧠 Actividade 4: Proba de modelos e adestramento

Criterio Excelente (9-10) Bo (7-8) Aceptable (5-6) Mellorable (3-4) Moi mellorable (0-2)
División dos datos en adestramento e test Uso correcto de train_test_split(), con separación axeitada dos datos. División correcta pero con pequenas omisións na organización dos datos. División realizada pero con problemas na proporción ou separación das variables. Erro na implementación da separación dos datos. Non realiza a división dos datos.
Creación e adestramento do modelo de regresión loxística Uso correcto de LogisticRegression(), con boa parametrización e adestramento. Modelo adestrado correctamente pero con pequenos erros na configuración. Modelo de regresión aplicado pero con resultados pouco precisos. Erro na configuración do modelo ou resultados incoherentes. Non se realiza o adestramento do modelo.
Visualización da matriz de confusión para regresión loxística Uso correcto de confusion_matrix() e sns.heatmap() para representar os resultados. Gráfico ben feito pero con interpretación limitada. Visualización realizada pero con problemas na escala ou na lectura dos valores. Erro na representación ou ausencia de análise. Non se realiza a matriz de confusión.
Creación e adestramento do modelo Random Forest Uso correcto de RandomForestClassifier(), con boa parametrización e adestramento. Modelo adestrado correctamente pero con problemas menores na configuración. Modelo aplicado pero con resultados pouco interpretables. Erro na configuración ou resultados incoherentes. Non se realiza o adestramento do modelo.
Visualización da matriz de confusión para Random Forest Uso correcto de confusion_matrix() e sns.heatmap(), con adecuada interpretación. Gráfico ben feito pero con omisións na análise. Visualización feita pero sen gran contexto analítico. Erro na representación ou resultados mal interpretados. Non se realiza a matriz de confusión.
Creación e adestramento do modelo SVM Uso correcto de SVC(), con boa parametrización e adestramento. Modelo adestrado correctamente pero con erros menores na configuración. Modelo aplicado pero con problemas na interpretación dos resultados. Erro na configuración do modelo ou resultados incoherentes. Non se realiza o adestramento do modelo.
Visualización da matriz de confusión para SVM Uso correcto de confusion_matrix() e sns.heatmap() para visualizar os resultados. Gráfico ben feito pero con interpretación limitada. Visualización realizada pero con problemas na escala ou na lectura dos valores. Erro na representación ou ausencia de análise. Non se realiza a matriz de confusión.
Creación e adestramento do modelo de Rede Neuronal Uso correcto de Keras Sequential(), con adecuada parametrización e configuración. Modelo adestrado correctamente pero con pequenos erros na arquitectura. Arquitectura aplicada pero con problemas na converxencia do modelo. Erro na configuración do modelo ou resultados pouco interpretables. Non se realiza o adestramento da rede neuronal.
Visualización da matriz de confusión para Redes Neuronais Uso correcto de confusion_matrix() e sns.heatmap() para visualizar os resultados. Gráfico ben feito pero con interpretación superficial. Visualización feita pero sen grandes conclusións analíticas. Erro na representación ou valores pouco significativos. Non se realiza a matriz de confusión.
Análise comparativa entre modelos Explicación completa sobre vantaxes e desvantaxes dos modelos. Comparación correcta pero con falta de profundidade na interpretación. Explicación parcial sobre as diferenzas entre modelos. Erro na interpretación ou ausencia de comparación clara. Non se realiza análise comparativa.
Actitude ante os problemas Actitude proactiva, busca solucións óptimas e melloras no código. Resolve os problemas con esforzo, aínda que precisa apoio puntual. Resolve con dificultades pero sen explorar melloras posibles. Pouco intento de solucionar problemas, resígnase ante os erros. Non intenta resolver os problemas ou abandona o traballo.
Traballo colaborativo Comunicación eficaz e traballo equilibrado en parella. Traballo en equipo con pequenas dificultades na colaboración. Interacción mínima, traballo case independente. Pouca colaboración, realízase gran parte do traballo de forma individual. Non colabora coa parella nin contribúe ao traballo conxunto.

Rúbrica 🔮 Actividade 5: Predición e interpretación dos resultados

Criterio Excelente (9-10) Bo (7-8) Aceptable (5-6) Mellorable (3-4) Moi mellorable (0-2)
Selección e preparación de datos de test Datos correctamente divididos e preparados para a predición. División correcta pero con algunha imprecisión na manipulación dos datos. Datos procesados pero con erros na selección das características. Erro na preparación dos datos ou omisión de características relevantes. Non realiza a preparación dos datos de test.
Procesado de columnas categóricas en datos novos Uso correcto de pd.get_dummies() para transformar datos categóricos en numéricos. Conversión correcta pero con problemas menores na optimización. Conversión feita pero con perda de información relevante. Erro na transformación ou na eliminación de categorías redundantes. Non realiza a conversión das columnas categóricas.
Escalado de datos novos Uso correcto de StandardScaler() para normalizar Age e Fare. Escalado realizado pero con problemas menores na interpretación dos valores. Escalado aplicado pero con parámetros pouco óptimos. Erro na aplicación do escalado ou resultados incoherentes. Non se realiza ningún escalado dos datos.
Creación e adestramento do modelo Random Forest Uso correcto de RandomForestClassifier(), con axeitada parametrización e adestramento. Modelo adestrado correctamente pero con pequenas omisións no código. Adestramento realizado pero con problemas na elección de hiperparámetros. Erro na configuración ou resultados pouco interpretables. Non se realiza o adestramento do modelo.
Predición de supervivencia con datos novos Uso correcto do modelo para facer predicións sobre datos nunca vistos. Predición realizada pero con interpretación limitada dos resultados. Uso mínimo do modelo sen análise significativa. Erro na predición ou valores pouco realistas. Non se realiza a predición con novos datos.
Comparación entre valores reais e predicións Uso correcto de pandas.DataFrame para comparar resultados e aplicar estilos. Comparación ben feita pero sen destacar claramente os erros. Visualización dos erros pero sen análise profunda. Erro na comparación ou valores confusos. Non realiza a comparación entre resultados reais e preditos.
Análise da fiabilidade da predición Cálculo correcto de precisión e visualización de acertos e erros. Análise ben feita pero sen gran profundidade nos resultados. Uso mínimo da métrica de precisión sen interpretación detallada. Erro na visualización ou valores mal calculados. Non realiza a análise da precisión do modelo.
Actitude ante os problemas Actitude proactiva, busca solucións óptimas e melloras no código. Resolve os problemas con esforzo, aínda que precisa apoio puntual. Resolve con dificultades pero sen explorar melloras posibles. Pouco intento de solucionar problemas, resígnase ante os erros. Non intenta resolver os problemas ou abandona o traballo.
Traballo colaborativo Comunicación eficaz e traballo equilibrado en parella. Traballo en equipo con pequenas dificultades na colaboración. Interacción mínima, traballo case independente. Pouca colaboración, realízase gran parte do traballo de forma individual. Non colabora coa parella nin contribúe ao traballo conxunto.