Proyecto de Machine Learning

Descripción

Este proyecto utiliza técnicas de Machine Learning. Este proyecto tiene como objetivo extraer y procesar información estructurada de documentos PDF, identificando bloques de texto relevantes y analizando su similitud. Utiliza técnicas de procesamiento de lenguaje natural (NLP) y aprendizaje automático para organizar, limpiar y comparar contenidos textuales de los PDFs.

Está orientado a aplicaciones donde es necesario analizar grandes volúmenes de información documental. Se realizaron procesos de limpieza de datos, entrenamiento de modelos y evaluación de resultados.

✅ Resumen del proyecto:

Extraes texto desde archivos PDF usando PyPDF2.

• Procesas el texto: eliminas fechas, números, símbolos raros, haces limpieza del lenguaje natural.
• Encuentras títulos dentro del texto que siguen un patrón de fecha, hora y nombre en mayúsculas (por ejemplo: 23/04/2024 15:00 JUAN PEREZ).
• Usas técnicas de procesamiento de lenguaje natural (NLP) como:
• Tokenización (dividir palabras)
• Stopwords removal (quitar palabras comunes como "el", "la", "de", etc.)
• Stemming (reducir palabras a su raíz).
• Calculas similitud de textos usando TF-IDF y coseno de similitud.

Requisitos

• Python 3.8 o superior
• Jupyter Notebook
• Bibliotecas necesarias:
  • numpy
  • pandas
  • scikit-learn
  • matplotlib
  • seaborn

Instalación rápida de bibliotecas:

pip install -r requirements.txt

(Instalación rápida: pip install -r requirements.txt)

Instalación Clona el repositorio:

git clone https://github.com/tu_usuario/tu_proyecto.git
cd tu_proyecto

Crea un entorno virtual (opcional pero recomendado):

bash
python -m venv venv
source venv/bin/activate  # En Linux/Mac
venv\Scripts\activate     # En Windows

Instala las dependencias:

bash
pip install -r requirements.txt

Uso Abre el notebook en Jupyter:

bash jupyter notebook ProyectoMl_Limpio.ipynb Sigue las instrucciones en las celdas para entrenar y evaluar los modelos.

Estructura del proyecto

ProyectoMl/
│
├── proyectoml.py             # Notebook principal
├── data/                     # Carpeta opcional para los datos
└── README.md                 # Este archivo