Sistema de Clasificación de Cáncer de Mama con CI/CD

Descripción

Sistema de Machine Learning para clasificación de tumores de cáncer de mama (benignos/malignos) implementado con Flask, Docker y pipeline CI/CD automatizado.

Características

• Modelo ML: Random Forest con 96% de accuracy
• API REST: Endpoints para predicciones en tiempo real
• Containerización: Docker para entornos consistentes
• CI/CD: Pipeline automatizado con GitHub Actions
• Pruebas: Tests automatizados de endpoints y modelo

Tecnologías

• Python 3.10
• Flask
• Scikit-learn
• Pandas
• Docker
• GitHub Actions
• Joblib

Estructura del Proyecto

MLOpsModulo10/

• .github/workflows/
• ─ ci-cd.yml # Pipeline CI/CD
• model/
• ─ model.joblib # Modelo entrenado
• app.py # API Flask
• train_model.py # Entrenamiento del modelo
• data.csv # Dataset de entrenamiento
• Dockerfile # Configuración Docker
• requirements.txt # Dependencias

Instalación y Ejecución

Prerrequisitos

• Python 3.10+
• Docker (opcional)

Método 1: Ejecución Local

1. Clonar repositorio

git clone https://github.com/Ang172/MLOpsModulo10.git cd MLOpsModulo10

2. Instalar dependencias

pip install -r requirements.txt

3. Entrenar modelo (opcional)

python train_model.py

4. Ejecutar API

python app.py

#Método 2: Usando Docker

1. Construir imagen

docker build -t ml-cancer-classifier .

2. Ejecutar contenedor

docker run -d -p 5000:5000 --name ml-app ml-cancer-classifier

3. Verificar funcionamiento

curl http://localhost:5000/

##Uso de la API Health Check

GET http://localhost:5000/

Respuesta

{ "message": "API funcionando correctamente" }

##Predicción

POST http://localhost:5000/predict Content-Type: application/json

{ "input": [ 17.99, 10.38, 122.8, 1001.0, 0.1184, 0.2776, 0.3001, 0.1471, 0.2419, 0.07871, 1.095, 0.9053, 8.589, 153.4, 0.006399, 0.04904, 0.05373, 0.01587, 0.03003, 0.006193, 25.38, 17.33, 184.6, 2019.0, 0.1622, 0.6656, 0.7119, 0.2654, 0.4601, 0.1189 ] }

##Respuesta:

{ "prediction": 1 }

0: Tumor Benigno (B)

1: Tumor Maligno (M)