nuevos modelos betas

ML/salary.py

@@ -34,8 +34,18 @@ results_df['company_location'] = le.inverse_transform(results_df['company_locati
 # Ordenar los resultados por salario predicho
 results_df = results_df.sort_values('predicted_salary', ascending=False).reset_index(drop=True)
 
+
+
 # Mostrar el título y el top 5 de países mejor pagados
-st.title('Top 5 de países mejor pagados')
+st.markdown("""
+    <h1>Top 5 de países mejor pagados</h1>
+    """, unsafe_allow_html=True)
+
+# Descripción
+st.markdown("""
+    <p>Este código utiliza un algoritmo de RandomForest para seleccionar solo algunas empresas de cada país de forma aleatoria y retornar el promedio. Utilizamos este algoritmo para obtener un promedio menos sesgado por outliers</p> 
+""", unsafe_allow_html=True)
+
 for i in range(5):
     location = results_df.loc[i, 'company_location']
     salary = results_df.loc[i, 'predicted_salary']

app.py

@@ -631,7 +631,7 @@ if selected2 == "ML":
 
     st.markdown('''
                 <br><br><br>
-                <h2>Gracias por su tiempo y atención!</h2>
+                <h2>Gracias por su <strong>tiempo y atención!</strong></h2>
                 <hr>
                 <h3>Nuevas Propuestas...</h3>
                 <p>Sí te gusto lo que viste, te invito a ver lo que se vendrá en la 
@@ -648,6 +648,84 @@ if selected2 == "New":
         time.sleep(0.05)
         my_bar.progress(percent_complete + 1, text=progress_text)
 
+    #####
+    st.markdown("""
+        <h1>Proyectos en Beta</h1>
+        <hr>
+        <p>Estos proyectos todavía no están terminados, pero queremos mostrar un avance de lo que se viene muy pronto...</p>
+    """, unsafe_allow_html=True)
+
+    import pandas as pd
+    import streamlit as st
+    from sklearn.preprocessing import LabelEncoder
+    from sklearn.ensemble import RandomForestRegressor
+
+    # Leer los datos y seleccionar las columnas necesarias
+    df = pd.read_csv('./ML/ds_salaries.csv')
+    df = df[['company_location', 'salary_in_usd']]
+
+    # Codificar las ubicaciones de las empresas
+    le = LabelEncoder()
+    df['company_location'] = le.fit_transform(df['company_location'])
+
+    # Decodificar las ubicaciones de las empresas
+    decoded_locations = le.inverse_transform(df['company_location'].unique())
+
+    # Separar los datos de entrada y salida
+    X = df.iloc[:, :-1].values
+    y = df.iloc[:, -1].values
+
+    # Entrenar el modelo
+    model = RandomForestRegressor(n_estimators=100, random_state=42)
+    model.fit(X, y)
+
+    # Obtener las ubicaciones de las empresas y sus salarios predichos
+    locations = df['company_location'].unique()
+    predicted_salaries = model.predict(locations.reshape(-1, 1))
+    results_df = pd.DataFrame(
+        {'company_location': locations, 'predicted_salary': predicted_salaries})
+
+    # Decodificar las ubicaciones de las empresas
+    results_df['company_location'] = le.inverse_transform(
+        results_df['company_location'])
+
+    # Ordenar los resultados por salario predicho
+    results_df = results_df.sort_values('predicted_salary',
+                                        ascending=False).reset_index(drop=True)
+
+    # Mostrar el título y el top 5 de países mejor pagados
+    st.markdown("""
+        <h2>Top 5 de países mejor pagados</h2>
+        <hr>
+        """, unsafe_allow_html=True)
+
+    # Descripción
+    st.markdown("""
+        <p>Este código utiliza un algoritmo de <strong>RandomForest</strong> 
+        para seleccionar solo algunas empresas de cada país de forma aleatoria y retornar el promedio. Utilizamos este algoritmo para obtener un promedio menos sesgado por outliers</p> 
+    """, unsafe_allow_html=True)
+
+    for i in range(5):
+        location = results_df.loc[i, 'company_location']
+        salary = results_df.loc[i, 'predicted_salary']
+        st.markdown(f'### **{location}**: ${salary:,.2f}',
+                    unsafe_allow_html=True)
+
+    # Mostrar el menú desplegable para seleccionar un país
+    st.markdown("""
+    <h2>Seleccionar un país</h2>
+    <hr>
+    """, unsafe_allow_html=True)
+    selected_location = st.selectbox('Ubicación de la empresa',
+                                     decoded_locations)
+
+    # Mostrar el salario predicho para el país seleccionado
+    predicted_salary = results_df.loc[results_df[
+                                          'company_location'] == selected_location, 'predicted_salary'].iloc[
+        0]
+    st.markdown(f'### **{selected_location}**: ${predicted_salary:,.2f}',
+                unsafe_allow_html=True)
+
     #####
     import pandas as pd
     import streamlit as st
@@ -675,9 +753,19 @@ if selected2 == "New":
     clf.fit(X, df.Aptitude)
 
     # Crear la interfaz de usuario con Streamlit
-    st.title("Predicción de Skills")
-    st.write(
-        "Ingrese el título del trabajo para ver las habilidades más importantes.")
+    st.markdown("""
+    <h2>Predicción de Skills</h2>
+    <hr>
+    """, unsafe_allow_html=True)
+    st.markdown(
+        """
+        <p>Ingrese el título del trabajo para ver las habilidades más 
+        importantes.</p>
+        <p>Con el modelo de <strong>Naive Bayes</strong> cada skill recibe 
+        una puntuación con respecto a un título de trabajo, por lo cual, 
+        al ingresar un título de trabajo el algoritmo retorna las skill más 
+        utilizadas en las publicaciones de la base de dato de LatamBrain.
+        """, unsafe_allow_html=True)
 
     title = st.text_input("Título del trabajo")
 
@@ -719,7 +807,7 @@ if selected2 == "New":
 if selected2 == "Contact":
 
     st.markdown('''
-                <h2>Presupuesto</h2>
+                <h2>Simulación de <strong>Presupuesto</strong></h2>
                 <hr>
             ''', unsafe_allow_html=True)