Celem projektu jest utworzenie zbioru danych gestów alfabetu migowego przy użyciu narzędzia, a następnie przygotowanie modelu rozpoznającego gesty.
Przy wykorzystaniu wspomnianego narzędzia oraz współpracy wszystkich studentów udało się utworzyć zbiór danych zawierający ponad 5000 rekordów.
Rozwiązanie problemu wykorzystało model LogisticRegression, który wykazał się wysoką dokładnością w testach. W ramach preprocessingu usunięte zostały kolumny o nazwie 'multi_hand_world_landmarks', które nie wniosły znaczących informacji w porównaniu do danych pochodzących z 'multi_hand_landmarks'. Zastosowano LabelEncoding w celu zamiany kolumny 'handedness.label' oraz 'letter' na wartości liczbowe.
Do redukcji liczby cech użyto SelectKBest, który wybrał tylko te cechy, które niosą ze sobą najwięcej informacji (48). Dodatkowo, wartości zostały przeskalowane za pomocą StandardScaler.
Dla zbioru walidacyjnego osiagnięto accuracy_score na poziomie 88.79 %