Update README.md

README.md

@@ -1,12 +1,38 @@
 ---
 title: ML Implementing Challenge
-emoji: 🌖
+emoji: 🚀
 colorFrom: purple
-colorTo: pink
+colorTo: blue
 sdk: gradio
 sdk_version: 5.31.0
 app_file: app.py
 pinned: false
 ---
 
-Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference
+# Descripcion
+Este proyecto se desarrolló para abordar un problema de regresión multivariante y una prueba a ciegas. 
+En este reto se entreno un modelo para predecir una variable objetivo (target) del archivo training_data. 
+
+Particularmente, en el despliegue de esta solucion permite realizar estas operaciones masivas con regularidad. 
+De esta manera, el usuario puede predecir el valor objetivo para muestras utilizando el modelo que se ha creado con los datos de entrenamiento.
+
+# Descripción de los datos 
+En el archivo training_data.csv, se encontrará el conjunto de datos de entrenamiento de 800 muestras. 
+Cada muestra tiene 20 características, denominadas [feature_0, feature_1, … , feature_19].
+
+# ¿Cómo funciona la APP?
+La interfaz es simple e intuitiva:
+- Sube tu archivo CSV mediante el botón de carga.
+- Se mostrará una vista previa con las primeras filas del contenido.
+-  Es posible descarga el resultado procesado (en este caso, un archivo CSV).
+
+# Tareas Realizadas
+Utilizando Python, junto con las librerías [numpy, pandas, seaborn, matplotlib, scipy, sklearn, statsmodels], se realizaron las tareas siguientes: 
+
+1. Se entreno un modelo de regresion lineal utilizando el conjunto de datos de entrenamiento.
+2. Se Creo un proyecto que pueda ser desplegado fácilmente. Listo para la PoC, donde se puede proporcionar nuevas predicciones (se utilizo el conjunto de datos de prueba, blind_test_data). 
+
+# cómo puede se puede evolucionar la solución?
+1. Tener acceso al significa y naturaleza de las caracteristicas utilizadas, lo cual es especialmente util en entornos con datos escasos o conocimiento experto relevante.
+2. Complementar con técnicas de ingeniería de características como la Selección automática de caracteristicas (Lasso, RFECV, Permutaciones) o utilizando regresión regularizada (Ridge, Lasso, Elastic Net).
+3. Una de las posibles maneras de mejorar la solucion es utlizando otros modelos mas robustos como por ejemplo Redes neuronales (MLP). Estos modelos son extremadamente flexibles y escalables, aunque con regularidad requieren más recursos y cuidado en su entrenamiento.