🚢 TitanicAIAnalysis: Análisis de Datos con Claude y MCP

<div align="center">

</div>

Este proyecto demuestra cómo utilizar el Model Context Protocol (MCP) para crear servidores que exponen datos estructurados para análisis con modelos de lenguaje como Claude. Usando el famoso dataset del Titanic, este ejemplo práctico te enseña a convertir conjuntos de datos en recursos y herramientas accesibles para LLMs.

📋 Contenido

• 🚢 TitanicAIAnalysis: Análisis de Datos con Claude y MCP
  • 📋 Contenido
  • 🔍 Descripción
  • 📦 Requisitos
  • 🛠️ Instalación
  • 📂 Estructura del Proyecto
  • ▶️ Cómo Ejecutar
    • Opción 1: Ejecución directa
    • Opción 2: Instalar en Claude Desktop
  • 💬 Uso con Claude
    • Resources disponibles:
    • Tools disponibles:
  • 📊 Ejemplos de Análisis
  • ⚖️ Ventajas y Limitaciones
    • Ventajas
    • Limitaciones
  • 🚀 Ampliaciones Posibles

🔍 Descripción

TitanicAIAnalysis es un proyecto educativo que muestra cómo crear un servidor MCP (Model Context Protocol) para exponer el famoso dataset del Titanic de Kaggle, permitiendo a Claude realizar análisis de datos complejos a través de:

• Resources (Recursos MCP): Expone datos estructurados (CSV del Titanic) y estadísticas pre-calculadas
• Tools (Herramientas MCP): Proporciona funcionalidades específicas como búsqueda de pasajeros

Con este enfoque, puedes consultar y analizar datos estructurados con la potencia de los LLMs sin enviar archivos manualmente.

📦 Requisitos

• Python 3.10 o superior
• Claude Desktop (Para integración con Claude)
• El archivo Titanic.csv (incluido en el repositorio, originalmente de Kaggle)
• Un entorno donde ejecutar servidores MCP

🛠️ Instalación

1. Clonar este repositorio:

   git clone https://github.com/tu-usuario/TitanicAIAnalysis.git
   cd TitanicAIAnalysis
   

2. Configurar el entorno virtual (usando uv):

   uv init .
   uv venv
   source .venv/bin/activate  # En Windows: .venv\Scripts\activate
   

3. Instalar dependencias:

   uv add "mcp[cli]" pandas
   

4. Asegurarse que el archivo Titanic.csv está en el directorio del proyecto

📂 Estructura del Proyecto

TitanicAIAnalysis/
│
├── main.py             # Servidor MCP con resources y tools
├── Titanic.csv         # Dataset del Titanic
├── inicio.sh           # Script de inicio para Unix/MacOS
├── inicio.bat          # Script de inicio para Windows (opcional)
└── README.md           # Este archivo

▶️ Cómo Ejecutar

Opción 1: Ejecución directa

Puedes ejecutar el servidor directamente:

 python main.py

Opción 2: Instalar en Claude Desktop

1. Preparar/dar permisos de ejecución el script de inicio (MacOS/Linux):

   chmod +x inicio.sh  
   

2. Configurar Claude Desktop:

   • Abre Claude Desktop
   • Ve a Configuración → Desarrollador → Editar Config
   • Modifica claude_desktop_config.json:

   {
     "mcpServers": {
       "TitanicServerMCP": {
         "command": "/ruta/absoluta/a/TitanicAIAnalysis/inicio.sh",
         "args": []
       }
     }
   }
   

   Para Windows, usa la ruta completa a inicio.bat o el comando directo:

   {
     "mcpServers": {
       "TitanicServerMCP": {
         "command": "python",
         "args": ["C:\\ruta\\completa\\a\\TitanicAIAnalysis\\inicio.bat"]
       }
     }
   }
   

3. Instalar con CLI de MCP (alternativa):

   cd TitanicAIAnalysis
   mcp install main.py
   

4. Reinicia Claude Desktop

💬 Uso con Claude

Una vez que el servidor está en ejecución y conectado a Claude, verás el icono de herramientas (🔨) disponible en la interfaz.

Resources disponibles:

• titanic://pasajeros - Dataset completo del Titanic
• titanic://estadisticas - Estadísticas precalculadas sobre supervivencia

Tools disponibles:

• buscar_pasajero - Busca información sobre pasajeros específicos por nombre

📊 Ejemplos de Análisis

Aquí hay algunas preguntas que puedes hacer a Claude utilizando los datos expuestos:

1. "Muéstrame las estadísticas generales de supervivencia del Titanic"
2. "¿Qué porcentaje de pasajeros de primera clase sobrevivió en comparación con los de tercera clase?"
3. "Busca información sobre los pasajeros con apellido 'Astor'"
4. "Analiza la correlación entre clase social y tasa de supervivencia"
5. "¿El principio de 'mujeres y niños primero' se respetó durante el desastre?"
6. "¿Hay algún patrón entre el precio del boleto y la supervivencia?"
7. "Genera un gráfico sencillo que muestre la supervivencia por género y clase"

⚖️ Ventajas y Limitaciones

Ventajas

• Datos actualizados: Los datos se cargan desde el servidor cada vez que se solicitan
• Datos estructurados: Claude puede trabajar con datos previamente procesados
• Análisis dinámico: Respuestas a preguntas ad-hoc sobre los datos
• Integración con sistemas existentes: Permite conectar con bases de datos o APIs internas

Limitaciones

• Tamaño de datos: Datasets muy grandes pueden superar el límite de contexto de Claude
• Actualización de recursos: Los recursos son leídos cuando se solicitan
• Visualizaciones: Para gráficos avanzados, es mejor usar herramientas específicas o implementar tools de visualización

🚀 Ampliaciones Posibles

Este proyecto puede expandirse de múltiples formas:

1. Recursos parametrizados: Implementar recursos como titanic://pasajeros/{clase}
2. Herramientas analíticas: Crear tools específicas para cálculos estadísticos complejos
3. Visualización: Añadir herramientas para generar gráficos y visualizaciones
4. Integración con BD: Conectar con bases de datos en lugar de archivos CSV
5. Análisis predictivo: Añadir modelos de ML pre-entrenados como herramientas

---

<div align="center"> <p> _{Desarrollado con ❤️ usando MCP y Claude | <a href="https://github.com/modelcontextprotocol">Más sobre MCP</a>} </p> </div>