# Factored Workshops! 🚀

Desde Factored queremos darte una guía de como sería un desarrollo básico de un modelo de machine learning. Desde importar y analizar datos; desarrollar y evaluar modelos predictivos; hasta realizar el deployment de una API usando **FastAPI** y **Docker**. Para esto, te mostraremos algunos conceptos y librerías de python como `pandas` , `seaborn` ,`matplotlib` y  `scikit-learn` . Además, algunas herramientas importantes como **GitHub**, **FastAPI** y **Docker**.

Durante los 3 workshops trabajaremos en una competencia de Kaggle ([New York City Taxi Trip Duration](https://www.kaggle.com/c/nyc-taxi-trip-duration)). Crearás un modelo capaz de predecir la duración total de un viaje de taxi en Nueva York 🗽. El dataset incluye variables relacionadas con el tiempo, barrio de recogida, coordinadas geográficas, cantidad de pasajeros y proveedor que prestó el servicio de transporte 🚕💨💨💨.


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://datasciencefem.gitbook.io/factored/master.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.