Esse arquivo foi criado com intuito de servir como avaliação no processo seletivo da empresa SciCrop
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.
Projeto foi dividido em duas partes.
-
Pasta Modelo Machine-Learning, onde temos os códigos usados para gerar e salvar(com pickle) nosso modelo de ML.
-
Aplicação Web com:
- app.py - Esse arquivo contem nossa aplicação FLASK. Ele é o responsável por fazer a integração entre a API e a pagina HTML.
- pasta /static/modelos/ contem os modelos serializados de machine learning.
- templates - Essa pasta contem o site principal da aplicação.
- 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.
- Teremos como resultado
- Arquivo india_crop_gdp_1997_2015.csv com os dados das duas tabelas.
- Arquivo model_1_FindCrop.sav contendo a serialização do modelo que preve o cultivo.
- Arquivo model_2_FindProduction.sav que contem a serialização de um modelo que prevê a produção agrícola de um cultivo.
- 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.
- Navegue para URL http://localhost:5000
Apos digitar os valores desejados e usar o botão para prever, teremos uma tela com os resultados.