1     Introduction

You are to build and compare predictive models using the data provided     below. You are to define a machine learning problem, i.e., the input/output, and what they can be used for.

2     Data

Download: link

3     Submission and Marking Scheme

3.1    Jupyter Lab/Notebook file (0%)

The file should have the name of [your_Banner_ID].ipynb, and it should  include all the codes you used for the project. Comments should be given when necessary. It is not going to be marked, but no-submission or not-   working code will result in a zero mark for the whole summative             assignment.

3.2    PDF report (100%)

The file should have the name of [your_Banner_ID].pdf, max 4 pages (including everything). Template download.

3.2.1    Title, Abstract, Keywords, Introduction (12%)

Provide a brief introduction to the project. Precisely define the problem you are solving, i.e., formally specify the inputs and outputs. Frame the problem as a machine learning task. Explain why this task is interesting and              important.

3.2.2    Exploratory Data Analysis and Data Preparation (24%)

Summarise the main characteristics of the dataset, using tables and           statistical graphics, and/or other data visualisation methods. Describe how you split the dataset and present stats such as count, mean, etc. Describe    how you constructed and/or transformed the data/feature.

3.2.3    Learning Algorithm Selection (8%)

Choose three machine learning algorithms, which are not necessarily taught in this submodule. They cannot be based on deep learning or reinforcement learning. Explain why the chosen algorithms are appropriate for the project.

3.2.4    Model Training and Evaluation (32%)

Describe the training process, including the parameters involved and how     they fit, concerns about underfitting and/or overfitting, and concerns about   the convergence of the optimisation. Describe the hyperparameter selection  and tuning process, including the hyperparameters involved and how they    were selected and tuned, the candidate values that were considered, and the  performance metric that were used for optimisation. Describe the evaluation metrics and explain why they are appropriate.

3.2.5    Model Comparison (15%)

Describe how you compared the trained models, using tables and statistical graphics and/or other data visualisation methods.

3.2.6    Conclusion and Discussion (9%)

Summarise the project: what the project was about, what you did, what the results were, the major limitations of the approach you used, what could    have been done to improve the procedure and the result, the lessons you     learned through this project.

3.2.7    References (0%)

List all the external references.

Note: for any decision you made, provide clear and appropriate                 justifications. Marks are generally awarded for a good experimental           procedure that supports the results, not for achieving the best performance. Deduction of the final mark may be made for not submitting files as          requested, e.g., file names/extensions, report formatting (referencing,         captions, etc.)

Q&As

1. Which versions of Python / sci-kit learn / ... should I use?

It's up to you.

2. Which Python packages can I use?

Any.

3. Do I only need to use functions from the packages or am I supposed to write my own algorithms?

It's up to you.

4. Which learning algorithms should I choose?

As per the instruction, you should make the decision yourself - choose any appropriate ones.

5. Will I get a good mark if the performance of my model(s) is not good?