Sitio — Alerta Temprana Académica

Dashboard de riesgo académico. Una sola página, sin build, sin dependencias que instalar. Todos los datos van incrustados dentro de index.html, así que la carpeta funciona tal cual en cualquier hosting estático.

sitio/
├── index.html      el dashboard completo (4 páginas, datos incluidos)
├── netlify.toml    configuración de Netlify: sin build, cabeceras y redirecciones
└── README.md       este archivo

Desplegar en Netlify

Opción A — arrastrar la carpeta (lo más rápido, sin repo)

1. Entrar a https://app.netlify.com/drop.
2. Arrastrar la carpeta sitio completa a la zona punteada.
3. Netlify devuelve una URL del tipo https://algo-al-azar.netlify.app.
4. Para cambiarle el nombre: Site configuration → Change site name.

No hace falta cuenta para probar, pero sin cuenta el sitio caduca. Con una cuenta gratuita queda permanente.

Opción B — desde un repositorio de Git

1. Subir el proyecto a GitHub.

2. En Netlify: Add new site → Import an existing project → elegir el repo.

3. En la pantalla de configuración poner:

   Campo	Valor
   Base directory	sitio
   Build command	(vacío)
   Publish directory	sitio

4. Deploy site. Cada git push vuelve a publicar solo.

Si en vez del proyecto entero subís únicamente el contenido de esta carpeta a la raíz del repo, dejá los tres campos vacíos: el netlify.toml ya dice que se publica el directorio actual y que no hay build.

Comprobar antes de publicar

cd sitio && python3 -m http.server 8000

y abrir http://localhost:8000. Debe verse igual que el archivo local.

Qué mirar una vez publicado

• El botón de arriba a la derecha cicla AUTO → CLARO → OSCURO. La elección queda guardada en el navegador y no reinicia los filtros ni la pestaña.
• La página 3 filtra, busca por ID y ordena por cualquier columna.
• Las curvas de aprendizaje de la página 4 alternan entre el modelo sin regularizar y el regularizado.

Actualizar el sitio

index.html es una copia de outputs/dashboard_local.html. Para regenerarla después de tocar el dashboard:

python3 src/11_sitio.py

Fuente

Cortez, P. & Silva, A. (2008). Using Data Mining to Predict Secondary School Student Performance. UCI Machine Learning Repository #320, licencia CC BY 4.0. 1,044 registros reales de 662 estudiantes de Alentejo, Portugal, curso 2005–2006.