TeenSmartInsight

Architecture / Arquitectura

flowchart TD
    A[Client/Browser] -->|HTTPS| B[Nginx]
    B -->|Reverse proxy| C[Docker Container]
    C -->|Flask App| D[Prediction Model]
    C -->|API| E[Google Gemini API]
    D --> F[Data Storage]
    
    subgraph AWSEC2[AWS EC2]
        B
        C
        D
        F
    end

Loading

English

TeenSmartInsight

A comprehensive project for analyzing adolescents' technology usage habits and assessing potential levels of technology addiction using machine learning and AI.

Project Overview

TeenSmartInsight is a data science and web application project that combines exploratory data analysis, machine learning modeling, and a user-friendly web interface to help identify and address technology addiction in adolescents.

Project Structure

The project is organized into several key components:

TeenSmartInsight/
├── App/                    # Web application
├── data/                   # Data directory
│   └── raw/                # Raw dataset files
├── figures/                # Visualization outputs
├── infrastructure/         # Deployment infrastructure in AWS
├── models/                 # Trained models
├── notebooks/              # Jupyter notebooks for analysis
├── scripts/                # Utility scripts
└── src/                    # Source code for model training
    └── TeenSmartInsight/   # Core package
        └── models/         # Model training and evaluation

Key Components

1. Data Analysis and Model Development

• Notebooks: Contains Jupyter notebooks for exploratory data analysis, feature engineering, and model development

  • 001_TeenAddiction.ipynb: Main analysis notebook that explores the dataset, visualizes relationships, and develops the prediction model

• Source Code: Modular Python code for model training and evaluation

  • train_model.py: Script for training the Random Forest regression model
  • evaluate_model.py: Script for evaluating model performance

2. Web Application (App/)

• Flask Application: Web interface for users to input their technology usage data

  • Collects data through a user-friendly form
  • Processes data using the trained machine learning model
  • Integrates with Google Gemini API for detailed analysis and personalized recommendations
  • Stores predictions for further analysis

• Docker Support: Containerization for easy deployment

  • Dockerfile and docker-compose.yml for containerized deployment

Functionality

1. Data Analysis

The project begins with exploratory data analysis of adolescent technology usage patterns, examining:

• Daily usage hours
• Social media and gaming time
• Sleep patterns
• Academic performance
• Phone checking frequency
• Weekend usage patterns

2. Machine Learning Model

• Uses a Random Forest Regressor to predict technology addiction levels
• Features engineered from usage patterns and behavioral indicators
• Model evaluation using MSE, MAE, and R² metrics

3. Web Application

• Input Form: Collects user data on technology usage habits
• Prediction Engine: Processes data through the trained model
• AI Analysis: Integrates with Google Gemini for personalized recommendations
• Data Storage: Saves predictions for future analysis and model improvement

Technologies Used

• Data Analysis: Pandas, NumPy, Matplotlib, Seaborn
• Machine Learning: Scikit-learn, Joblib
• Web Development: Flask, Bootstrap
• AI Integration: Google Gemini API
• Deployment: Docker, Docker Compose

License

This project is licensed under the MIT License.

Español

TeenSmartInsight

Un proyecto integral para analizar los hábitos de uso de tecnología en adolescentes y evaluar posibles niveles de adicción tecnológica utilizando machine learning e IA.

Visión General del Proyecto

TeenSmartInsight es un proyecto de ciencia de datos y aplicación web que combina análisis exploratorio de datos, modelado de machine learning y una interfaz web fácil de usar para ayudar a identificar y abordar la adicción tecnológica en adolescentes.

Estructura del Proyecto

El proyecto está organizado en varios componentes clave:

TeenSmartInsight/
├── App/                    # Aplicación web
├── data/                   # Directorio de datos
│   └── raw/                # Archivos de datos sin procesar
├── figures/                # Salidas de visualización
├── infrastructure/         # Infrastructura para despligue en AWS
├── models/                 # Modelos entrenados
├── notebooks/              # Notebooks Jupyter para análisis
├── scripts/                # Scripts de utilidad
└── src/                    # Código fuente para entrenamiento de modelos
    └── TeenSmartInsight/   # Paquete principal
        └── models/         # Entrenamiento y evaluación de modelos

Componentes Principales

1. Análisis de Datos y Desarrollo del Modelo

• Notebooks: Contiene notebooks Jupyter para análisis exploratorio de datos, ingeniería de características y desarrollo del modelo

  • 001_TeenAddiction.ipynb: Notebook principal de análisis que explora el conjunto de datos, visualiza relaciones y desarrolla el modelo de predicción

• Código Fuente: Código Python modular para entrenamiento y evaluación de modelos

  • train_model.py: Script para entrenar el modelo de regresión Random Forest
  • evaluate_model.py: Script para evaluar el rendimiento del modelo

2. Aplicación Web (App/)

• Aplicación Flask: Interfaz web para que los usuarios ingresen sus datos de uso de tecnología

  • Recopila datos a través de un formulario fácil de usar
  • Procesa datos utilizando el modelo de machine learning entrenado
  • Se integra con la API de Google Gemini para análisis detallados y recomendaciones personalizadas
  • Almacena predicciones para análisis posterior

• Soporte Docker: Containerización para facilitar el despliegue

  • Dockerfile y docker-compose.yml para despliegue containerizado

Funcionalidad

1. Análisis de Datos

El proyecto comienza con un análisis exploratorio de datos de patrones de uso de tecnología en adolescentes, examinando:

• Horas de uso diario
• Tiempo en redes sociales y juegos
• Patrones de sueño
• Rendimiento académico
• Frecuencia de revisión del teléfono
• Patrones de uso en fin de semana

2. Modelo de Machine Learning

• Utiliza un Random Forest Regressor para predecir niveles de adicción tecnológica
• Características diseñadas a partir de patrones de uso e indicadores de comportamiento
• Evaluación del modelo utilizando métricas MSE, MAE y R²

3. Aplicación Web

• Formulario de Entrada: Recopila datos del usuario sobre hábitos de uso de tecnología
• Motor de Predicción: Procesa datos a través del modelo entrenado
• Análisis de IA: Se integra con Google Gemini para recomendaciones personalizadas
• Almacenamiento de Datos: Guarda predicciones para análisis futuro y mejora del modelo

Tecnologías Utilizadas

• Análisis de Datos: Pandas, NumPy, Matplotlib, Seaborn
• Machine Learning: Scikit-learn, Joblib
• Desarrollo Web: Flask, Bootstrap
• Integración de IA: API de Google Gemini
• Despliegue: Docker, Docker Compose

Licencia

Este proyecto está licenciado bajo la Licencia MIT.

Demo

Wiki