ML-Model-Flask-Deployment

Esse arquivo foi criado com intuito de servir como avaliação no processo seletivo da empresa SciCrop

Pre-Requisitos

Deve ter instalado Scikit Learn, Pandas, pickle (Para ser usado na primeira parte do processo, onde geramos os modelos de machine learning) e Flask (Para API) instalados.

Estrutura do projeto

Projeto foi dividido em duas partes.

1. Pasta Modelo Machine-Learning, onde temos os códigos usados para gerar e salvar(com pickle) nosso modelo de ML.

2. Aplicação Web com:

   1. app.py - Esse arquivo contem nossa aplicação FLASK. Ele é o responsável por fazer a integração entre a API e a pagina HTML.
   2. pasta /static/modelos/ contem os modelos serializados de machine learning.
   3. templates - Essa pasta contem o site principal da aplicação.

Rodando o projeto

Modelo de Machine Learning

1. Apos instalado as dependências, precisamos rodar o código com o notebook jupyter ou através do comando python projecoes_estatisticas.py com os arquivos (apy.csv e API_NY.GDP.MKTP.CD_DS2_en_csv_v2_247793.csv) na pasta.
2. Teremos como resultado
   1. Arquivo india_crop_gdp_1997_2015.csv com os dados das duas tabelas.
   2. Arquivo model_1_FindCrop.sav contendo a serialização do modelo que preve o cultivo.
   3. Arquivo model_2_FindProduction.sav que contem a serialização de um modelo que prevê a produção agrícola de um cultivo.

Aplicação WEB

1. Abra o terminal na pasta da aplicação e digite o seguinte comando no terminal para iniciar a aplicação Flask API:

python app.py

Irá aparecer a URL que você deve acessar a aplicação; Por default, o flask roda na port 5000.

2. Navegue para URL http://localhost:5000

Apos digitar os valores desejados e usar o botão para prever, teremos uma tela com os resultados.