Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/agustin-caceres/proyecto-mlops
Proyecto de Machine Learning y Data Engineering
https://github.com/agustin-caceres/proyecto-mlops
deployment fastapi machine-learning python render
Last synced: about 1 month ago
JSON representation
Proyecto de Machine Learning y Data Engineering
- Host: GitHub
- URL: https://github.com/agustin-caceres/proyecto-mlops
- Owner: agustin-caceres
- License: mit
- Created: 2024-09-06T04:07:31.000Z (2 months ago)
- Default Branch: main
- Last Pushed: 2024-09-17T06:07:44.000Z (2 months ago)
- Last Synced: 2024-10-13T00:20:26.009Z (about 1 month ago)
- Topics: deployment, fastapi, machine-learning, python, render
- Language: Jupyter Notebook
- Homepage:
- Size: 31.7 MB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# **👩💻** MLops - SISTEMA DE RECOMENDACIÓN DE PELÍCULAS 👩💻
## 📌 Descripción
Este proyecto consiste en el desarrollo de un sistema de recomendación de películas utilizando **Técnicas de Machine Learning (K-Nearest Neighbors - Cosine Similarity)** , implementado en una **API** desarrollada con **FastAPI** . El proyecto abarca desde la transformación de los datos originales hasta el despliegue de la API en **Render** , donde los usuarios pueden consultar información sobre películas y obtener recomendaciones basadas en similitudes de contenido.
## ⚙️ Funcionalidades
* **Transformación de Datos** : Procesamiento y limpieza de un dataset de películas, incluyendo el desanidado de diversas columnas y el manejo de valores nulos.
* **API con FastAPI** : Desarrollada para ofrecer varios endpoints que permiten consultas sobre películas.
* **Sistema de Recomendación** : Utiliza K-Vecinos basado en la similitud de descripciones para recomendar películas.
* **Despliegue** : El proyecto está deployado en **Render** y se puede consumir a través de endpoints.
## 🧬Estructura del Proyecto
* **📁 Dataset/** : Contiene el archivo `dataset_final.parquet` con los datos procesados de las películas.
* **📁 ModelML/** : Incluye los archivos necesarios para el sistema de recomendación (matriz TF-IDF, modelo KNN, etc.).
* **📁 Notebooks/** : Jupyter Notebooks que documentan el proceso de:
* Extracción, Transformación y Carga de los Datos (ETL) - [Notebook](https://github.com/agustin-caceres/Proyecto-MLOps/blob/main/Notebooks/ETL_movies.ipynb)
* Análisis exploratorio de datos (EDA) - [Notebook](https://github.com/agustin-caceres/Proyecto-MLOps/blob/main/Notebooks/EDA_movies.ipynb)
* Entrenamiento del modelo - [Notebook](https://github.com/agustin-caceres/Proyecto-MLOps/blob/main/Notebooks/Model_training.ipynb)
* Testeo de endpoints - [Notebook](https://github.com/agustin-caceres/Proyecto-MLOps/blob/main/Notebooks/API_testing.ipynb)
* **📝 main.py** : Archivo principal que define la API con FastAPI.
* **📄 requirements.txt** : Lista de las dependencias necesarias para correr el proyecto.
## 🛠️ Tecnologías Utilizadas
* **🐍 Python** : Lenguaje principal del proyecto.
* **🚀 FastAPI** : Framework para el desarrollo de la API.
* **🔧 scikit-learn** : Para el procesamiento de datos y la implementación del modelo.
* **🐼 pandas** : Para la manipulación y transformación de los datos.
* **🌐 Render** : Plataforma de despliegue para la API.
## 💻 Instalación y Ejecución Local
### 🧰 Requisitos
* Python 3.10 o superior.
* Instalar las dependencias listadas en `requirements.txt`:
```bash
pip install -r requirements.txt
```
### ⚡Ejecución Local
1. Clonar el repositorio:
```bash
git clone https://github.com/agustin-caceres/Proyecto-MLOps.git
```
2. Navegar al directorio del proyecto:
```bash
cd Proyecto-MLOps
```
3. Ejecutar la API localmente usando **uvicorn** :
```bash
uvicorn main:app --reload
```
4. La API estará disponible en:
```bash
http://127.0.0.1:8000
```
### 🌐 Endpoints
1️⃣ **GET** `/recomendacion/{titulo}`
Devuelve una lista de películas similares a la película proporcionada, utilizando K-Vecinos.
**Ejemplo de consulta:**
```bash
GET /recomendacion/Toy Story
```
2️⃣ **GET** `/cantidad_filmaciones_mes/{Mes``
Devuelve la cantidad de filmaciones realizadas en un mes específico (independientemente del año).
**Ejemplo de consulta:**
```bash
GET /cantidad_filmaciones_mes/Enero
```
3️⃣ **GET** `/cantidad_filmaciones_dia/{Dia}`
Devuelve la cantidad de filmaciones realizadas en un día específico de la semana.
**Ejemplo de consulta:**
```bash
GET /cantidad_filmaciones_dia/Lunes
```
4️⃣ **GET** `/score_titulo/{titulo_de_la_filmacion}`
Devuelve el título, fecha de estreno y puntaje de una película específica.
**Ejemplo de consulta:**
```bash
GET /score_titulo/Toy Story
```
5️⃣ **GET** `/votos_titulo/{titulo_de_la_filmacion}`
Devuelve el título, cantidad de votos y el promedio de votos de una película específica.
**Ejemplo de consulta**
```bash
GET /votos_titulo/Spider-Man
```
6️⃣ **GET** `/get_actor/{nombre_actor}`
Devuelve el éxito de un actor medido a través del retorno total y promedio, así como la cantidad de películas en las que ha participado.
**Ejemplo de consulta**
```bash
GET /get_actor/Tom Cruise
```
## 🚀 Despliegue en Render
El proyecto ha sido desplegado en **Render** , y puedes acceder a la API a través del siguiente enlace:
- [API deployed](https://proyecto-mlops-dp3e.onrender.com)
## 📞 Contacto
Si tienes alguna pregunta sobre este proyecto o deseas contactarte conmigo, puedes encontrarme en LinkedIn:
- [LinkedIn](https://www.linkedin.com/in/agustincaceres9/?lipi=urn%3Ali%3Apage%3Ad_flagship3_profile_view_base%3BZXoBeymUQzCjeF5HzAKDAA%3D%3D)
## 🎥 Video
Video de presentación del proyecto:
- [Video](https://youtu.be/FHPJ-z_-9II?si=w3CALnuhOBqB-n07)
## 📜 Licencia
Este proyecto está licenciado bajo los términos de la licencia MIT. Para más información, consulta el archivo
- [LICENSE](https://github.com/agustin-caceres/Proyecto-MLOps/blob/main/LICENSE)