https://github.com/mileristovski/machinelearning-workbench
Une API pour expérimenter et comparer des algorithmes de Machine Learning à partir de fichiers CSV
https://github.com/mileristovski/machinelearning-workbench
ai data-science machine-learning machine-learning-algorithms model-training python
Last synced: 6 months ago
JSON representation
Une API pour expérimenter et comparer des algorithmes de Machine Learning à partir de fichiers CSV
- Host: GitHub
- URL: https://github.com/mileristovski/machinelearning-workbench
- Owner: Mileristovski
- License: mit
- Created: 2025-01-09T06:43:45.000Z (9 months ago)
- Default Branch: main
- Last Pushed: 2025-03-16T11:04:30.000Z (7 months ago)
- Last Synced: 2025-03-16T11:29:41.735Z (7 months ago)
- Topics: ai, data-science, machine-learning, machine-learning-algorithms, model-training, python
- Language: Python
- Homepage:
- Size: 15.6 KB
- Stars: 1
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# Machine Learning Workbench
## Description
Ce projet sert de Workbench pour expérimenter et rechercher différents algorithmes de Machine Learning. Il permet de tester, comparer et analyser différentes approches en utilisant des fichiers `.csv` comme source de données. L'application est exposée sous forme d'API pour faciliter l'interaction avec les modèles entraînés.
## Technologies utilisées
- Python
- Pandas (pour la manipulation des données)
- Scikit-learn (pour l'entraînement des modèles)
- Flask (pour l'API)
- Docker (pour la conteneurisation de l'application)
## Utilisation
1. Cloner le dépôt :
```bash
git clone https://github.com/Mileristovski/MachineLearning-Workbench.git
cd MachineLearning-Workbench
```
2. Installer les dépendances :
```bash
pip install -r requirements.txt
```
3. Exécuter l'API :
```bash
python app.py
```
## Exécution avec Docker
1. Construire l'image Docker :
```bash
docker build -t ml-workbench .
```
2. Exécuter le conteneur :
```bash
docker run --rm -p 5000:5000 ml-workbench
```
## Objectifs du projet
- Tester et comparer différents algorithmes de Machine Learning
- Expérimenter le prétraitement des données et l'ingénierie des features
- Visualiser les performances des modèles
- Servir de base pour de futurs projets ML