Skip to content

Latest commit

 

History

History
132 lines (92 loc) · 7.96 KB

README.md

File metadata and controls

132 lines (92 loc) · 7.96 KB
Raw

header

INDICE:

Tabla de contenido
  1. TÍTULO E IMAGEN DE PORTADA
  2. ÍNDICE
  3. INTRODUCCIÓN
  4. OBJETIVO
  5. SCOPE OF WORK
  6. ESTADO
  7. EDA - ETL
  8. FastAPI
  9. MINI-DEMO1
  10. MINI-DEMO2
  11. ACCESO AL PROYECTO
  12. TECNOLOGÍAS UTILIZADAS
  13. DESARROLLADORES DEL PROYECTO
  14. VIDEO

INTRODUCCIÓN

Este proyecto forma parte de la etapa Labs del curso de Data Science de la Academia Soy Henry. En esta ocasión brinda fuentes de información asociadas a las plataformas de streaming, tales como:

  • Amazon Prime Video
  • Disney Plus
  • Hulu
  • Netflix

Y 8 datasets de ratings que contiene puntuaciones que usuarios otorgaron a ciertas peliculas.

OBJETIVO

El proyecto consiste en una ingesta de datos, para aplicar transformaciones en los datasets que permitan realizar consultas a través de una API. Los archivos originales están disponibles en este repositorio: Datasets

SCOPE-OF-WORK

La propuesta de trabajo se llevará a cabo en las siguientes etapas:

  1. Análisis de datos de exploración (EDA) . Link: (https://github.com/RocioAldanaMendez/FastAPI/blob/main/ETL-EDA/EDA_and_ETL_final.ipynb)
  2. Extraer-Transformar y Cargar con Python. Link: (https://github.com/RocioAldanaMendez/FastAPI/blob/main/ETL-EDA/modelo2.ipynb)
  3. Generación/Creación de una API con FastAPI Link: (https://github.com/RocioAldanaMendez/FastAPI/blob/main/main.py)
  4. Ejecutar la API en un host local y ejecutar consultas, visualizando con Uvicorn.
  5. Desarrollo de Modelo con Machine Learning. (https://github.com/RocioAldanaMendez/FastAPI/blob/main/archivo.modelo_recomendacion.gz )
  6. Ajuste de parámetros del modelo
  7. Realización de un deployment en Delta Space para las 4 consultas generadas. Link: (https://deta.space/discovery/r/cdbdpvvwlphtxscn)
  8. Realizacion de un deployment en Hugging Face Space utilizando Gradio. Link: (https://huggingface.co/spaces/RoTesla/NISTELX)

arquitectura

ESTADO:

✅ Proyecto finalizado ✅

EDA-ETL


Como paso inicial, los datos se cargarán utilizando la biblioteca pandas. En esta instancia, se realizará un análisis exploratorio de los datos y se realizarán las transformaciones necesarias para limpiar los datos. Para ver con más detalle el trabajo realizado con las ETD y ETL puede recurrir a la carpeta que contiene esos dos archivos. A continuación se adjunta una hoja de ruta que establecí para el desarrollo:

EDA-ETL

FastAPI

Para la creación de la API se utilizó el archivo main.py. Con eso, se construyó la API localmente y se configuraron las funciones para realizar consultas. La API carga el CSV ya transformado para realizar las consultas y devuelve los resultados esperados.

DEMO-API

MINI-DEMO1:

  • Funcionalidad 1: Consultar película con mayor duración con filtros opcionales de AÑO, PLATAFORMA Y TIPO DE DURACIÓN.

                  La consulta debe generarse con el siguiente formato: {year}/{platform}/{duration_type}: 200/netflix/min

  • Funcionalidad 2: Consultar cantidad de películas por plataforma con un puntaje mayor a XX en determinado año

                 Formato: {platform}/{scored}/{year}: netflix/(numeros del 0 al 5)/2000

  • Funcionalidad 3: Consultar cantidad de películas por plataforma con filtro de PLATAFORMA

                  La consulta debe generarse con el siguiente formato: {platform}: netflix

  • Funcionalidad 4: Consultar actor que más se repite según plataforma y año.

                  La consulta debe generarse con el siguiente formato: {platform}/{year}/: netflix/2000

    Donde plataforma puede ser: netflix, hulu, disney, amazon.

    Y duration_time puede ser: min o season.

  • Demo:

demo

Link deploy: https://deta.space/discovery/r/cdbdpvvwlphtxscn

MINI-DEMO2:

  • Funcionalidad 1: Consultar recomendación de pelicula ingresando id del usuario y el id de la pelicula.

                  La consulta debe generarse con el siguiente formato: {userId}/{id}: 123/ns123

  • Demo:

demo

Link deploy: https://huggingface.co/spaces/RoTesla/NISTELX

ACCESO-AL-PROYECTO

        ## 🛠️ Abre y ejecuta el proyecto
        -  Para correr la api completa es necesario descomprimir el archivo que contiene el modelo, para que la api consuma de ese archivo, y como se subió la carpeta donde se desarrolló la api completa, debe correr.
        -Para visualizar la salida final en los Deploys podes ir al link de punto 7 y 8 del scope of work, o ingresar al alrchivo txt que contiene todos los links.

TECNOLOGÍAS

git python gradio fastapi huggingface deta

DESARROLLADORES


Rocío Méndez

VIDEO

https://www.youtube.com/watch?v=xjuB7wzt12k

Gracias por ver este desarrollo, podes seguir los futuros cambios dandole una estrellita en la parte superior derecha del repositorio. Podes Clonarlo, y/o podes hacer un PullRequest ya que todo aporte es bienvenido.