https://github.com/datasagess/fic
NLP Hackaton \w NN + FastAPI + Docker
https://github.com/datasagess/fic
catboost cuda docker fastapi lstm python pytorch rapidfuzz tensorflow
Last synced: 11 months ago
JSON representation
NLP Hackaton \w NN + FastAPI + Docker
- Host: GitHub
- URL: https://github.com/datasagess/fic
- Owner: DataSagess
- Created: 2024-11-29T19:27:16.000Z (over 1 year ago)
- Default Branch: main
- Last Pushed: 2024-12-02T15:30:57.000Z (over 1 year ago)
- Last Synced: 2025-04-05T19:48:42.519Z (about 1 year ago)
- Topics: catboost, cuda, docker, fastapi, lstm, python, pytorch, rapidfuzz, tensorflow
- Language: Jupyter Notebook
- Homepage: https://xn--2024-94d5ep.xn--p1ai/hackathon?utm_source=telegram&utm_medium=cpc&utm_campaign=iteventsrus&utm_term=hakaton-fic-2024
- Size: 3.07 MB
- Stars: 0
- Watchers: 1
- Forks: 1
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# FIC_hackaton
[Ссылка на хакатон](https://xn--2024-94d5ep.xn--p1ai/hackathon?utm_source=telegram&utm_medium=cpc&utm_campaign=iteventsrus&utm_term=hakaton-fic-2024)
## Кейс репозитория:
### Оценка уровня экспертности по резюме
Необходимо разработать систему оценки уровня эксперта по резюме.
#### Оценка должна должна учитывать:
- Рейтинг организаций, в которых работал кандидат
- Годы релевантного опыта
- Компания, куда собеседуется кандидат
- Грейд внутри компании, где работал кандидат
Также для подсчёта финальной оценки можно учитывать любые другие факторы, информацию о которых дана в резюме.
Для реализации можно использовать как готовые модели с подключением по API, так и дообучать open-source модели или создавать свои.
#### Предоставляемые данные
Датасет из резюме кандидатов и оценок уровня экспертности
## Структура репозитория
- `data`: Исходные и дополнительные данные
- `images`: Изображения для визулала Desctop
- `models`: Используемые модели
- `notebooks`: Jupyer Notebooks
- `preprocessing`: Файлы с функциями для препроцессинга
- `main.py`: Основной файл для запуска
- `api.py`: Файл для запуска API
- `desctop.py`: Файл для запуска desctop приложения
## Pipeline
Файл main.py считывает данные из json файла из папки data, после чего генерирует параметры (файлы в папке `preprocessing`), затем производится очистка данных и используется модель для предсказания результирующей переменной.
Генерация параметров происходит за счёт "ручной" обработки текста, а так же векторизации алгоритмом BERT
*В проекте используется Cuda.
-