Readme terminado

README.md

@@ -70,7 +70,7 @@ Crear una nueva columna, 'sentiment_analysis', aplicando análisis de sentimient
 ## Análisis Exploratorio de Datos (EDA)
 
 **Exploración Manual:**
-Realizar un EDA manual después del ETL para investigar las relaciones entre variables, identificar valores atípicos y descubrir patrones interesantes dentro del conjunto de datos, para esta tarea se utilizan diferentes librerías para hacer visualizaciones y medidas estadísticas. ["EDA"](02_EDA.ipynb)
+Realizar un EDA manual después del ETL para investigar las relaciones entre variables, identificar valores atípicos y descubrir patrones interesantes dentro del conjunto de datos, para esta tarea se utilizan diferentes librerías para hacer visualizaciones y medidas estadísticas. [EDA](https://github.com/Ivan2125/MLOps-Steam/blob/main/05-eda.ipynb)
 
 ## Feature Engineering
 
@@ -161,12 +161,17 @@ Para el deploy de la API se seleccionó la plataforma Render que es una nube uni
 - Se generó un servicio nuevo  en `render.com`, conectado al presente repositorio y utilizando Docker como Runtime.
 - Finalmente, el servicio queda corriendo en [https://repo-deploy.onrender.com](https://pi1-games.onrender.com/).
 
-Para el despliegue automático, Render utiliza GitHub y dado que el servicio gratuito cuenta con una limitada capacidad de almacenamiento, se realizó un repositorio exclusivo para el deploy, el cual se encuentra [aquí](https://github.com/Ivan2125/repo-Deploy).
+> [!NOTA]
+> Para el despliegue automático, Render utiliza GitHub y dado que el servicio gratuito cuenta con una limitada capacidad de almacenamiento, se realizó un repositorio exclusivo para el deploy, el cual se encuentra [aquí](https://github.com/Ivan2125/repo-Deploy).
 
 ## Video
 
 En este [link](https://drive.google.com/drive/folders/1Rtn0s5jHaqRaQkGpb4OSYTS4BpvOW-oF?usp=drive_link) se encuentra el video donde se explica brevemente el desarrollo del proyecto y el correcto funcionamiento de la API desplegada en el servicio web de Render.
 
+<p align="center">
+<img src="images/MLOps.gif" alt="T">
+</p>
+
 ## Conclusión
 
 El presente proyecto de MLOps logró transformar datos de juegos en bruto en un sistema funcional de recomendación desplegado en un servicio web como una API de consulta. La optimización del espacio mediante datasets auxiliares es una estrategia clave para mejorar el rendimiento de las funciones al igual que utilizar el muestreo en el modelo de recomendación. Al abordar la ingeniería de datos, el desarrollo de la API, el EDA y el aprendizaje automático, se cumplió con el objetivo de proporcionar recomendaciones acerca de los juegos presentes en la plataforma de Steam.