https://github.com/jeffreywijaya100/bank-revenue-model-deployment

FastAPI model machine learning yang memprediksi apakah seseorang memiliki kesempatan lebih besar untuk berlangganan atau tidak (target y bernilai binary “yes”/”no” ).
https://github.com/jeffreywijaya100/bank-revenue-model-deployment

api deployment fastapi joblib machine-learning pickle post prediction pydantic random-forest-classifier svm

Last synced: 8 months ago
JSON representation

FastAPI model machine learning yang memprediksi apakah seseorang memiliki kesempatan lebih besar untuk berlangganan atau tidak (target y bernilai binary “yes”/”no” ).

• Host: GitHub
• URL: https://github.com/jeffreywijaya100/bank-revenue-model-deployment
• Owner: jeffreywijaya100
• Created: 2024-11-02T05:41:49.000Z (about 1 year ago)
• Default Branch: main
• Last Pushed: 2024-11-06T09:57:51.000Z (about 1 year ago)
• Last Synced: 2025-02-13T16:19:17.599Z (9 months ago)
• Topics: api, deployment, fastapi, joblib, machine-learning, pickle, post, prediction, pydantic, random-forest-classifier, svm
• Language: Jupyter Notebook
• Homepage:
• Size: 2.72 MB
• Stars: 0
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

          
Anda bekerja di sebuah bank yang menangani penerimaan revenue bank. Suatu ketika, bank mengalami penurunan revenue karena ternyata banyak nasabah yang tidak berkeinginan invest dalam program deposit jangka panjang. Sehingga bank ingin mengidentifikasi pelanggan yang ada yang memiliki kesempatan lebih besar untuk berlangganan untuk deposit jangka panjang dan fokuskan upaya pemasaran pada pelanggan tersebut. Agar tugas anda lebih efisien, maka anda akan membuat API model machine learning yang memprediksi apakah seseorang memiliki kesempatan lebih besar untuk berlangganan atau tidak (target y bernilai binary “yes”/”no” ). Anda diberikan data sesuai ketentuan pada panduan, dengan penjelasan data diberikan dalam table dibawah:

![image](https://github.com/user-attachments/assets/ba3e174c-b4d3-41e7-b11f-b8ffc74eef65)

1. Buatlah pemodelan dengan machine learning, dimana anda diminta

untuk melakukan semua proses pre-processing data yang dibutuhkan sebelum pemodelan

klasifikasi. Melakukan training machine learning dengan menbandingkan 2 algoritma dan

memilih algoritma terbaik yang akan anda simpan dalam format pickle. Pastikan semua

proses disertakan dalam file. ipynb termasuk classification report dari setiap model.

2. Membuat code prediction yang akan digunakan untuk proses

deployment.

3. Melakukan proses deployment API dengan

menggunakan FastAPI dan melakukan 3 test case pada FastAPI untuk proses POST

berdasarkan code prediction yang telah anda siapkan (mohon sertakan screenshoot hasil

testing yang anda lakukan)