Skip to content

pabloromero17143/mvp-mlpractico

Repository files navigation

mvp-mlpractico

MVP del curso Machine Learning Práctico de Pablo Zivic. El plan es construirlo de forma colaborativa. Partimos del código que fue desarrollando y explicando en las clases Tendremos por un lado los archivos limpios del curso Por el otro los desarrollos de: /arquitectura /modelado /presentación

Como empezar

Arquitectura

Dentro de la carpeta Arquitectura podemos encontrar la ssiguientes carpetas:

  • data: Donde depositamos los files de input.
  • model: Carpeta donde podremos guardar los modelos serializados (pkl).
  • prediction_output: Files de salida con predicciones.
  • training_scripts: scripts de entrenamiento.
  • lib: Carpeta con los transformers y scripts de armados de los dataframes.
  • notebooks: Notebooks de prueba para probar scripts, bajar files o hacer predicciones. Basado en los notebooks del curso.

Instalación del entorno

Dentro de la carpeta Arquiectura encontramos un file de requirements.txt con las versiones necesarias para correr los primeros modelos.

Ejecutar en una consola (En linux)

Ver si tienen estas librerias

sudo apt install -y apparmor apturl 
sudo apt-get install swig

Luego creamos el enviroment

virtualenv ml_env
source ml_env/bin/activate

Instalamos las librerias correspondientes (de usar una nueva, actualizar la lista).

pip install -r requirements.txt --use-feature=2020-resolver

Si así lo desean pueden copiar este procedimiento para el resto de las etapas, en cada notebook (por el momento 2), tenemos para usar las libs de feature engineering importándolas con el código adaptado para el proyecto o simplemente desde cualquier script de python copiando la misma lógica de los notebooks.

Instalación del entorno en raíz (fuera de arquitectura)

Desde el raíz de proyecto tenemos otra forma de trabajar

python setup.py develop

Luego desde cualquier jupyter notebook van a poder hacer esto

from mlp_mvp.transformers import CrewFeatures

Cómo contribuir?

  • Hacé un checkout del branch develop: git checkout develop

  • Asegurate de estar al día: git pull origin HEAD

  • Crea un branch nuevo con un nombre descriptivo. Si vas a hacer el modelo de rating podrías poner: git checkout feature/rating_prediction

  • Hacé tu trabajo pusheando en ese branch: git push origin HEAD

  • Crea un pull request de tu branch al branch develop

  • Para ver un pull requests de ejemplo mira acá

About

No description, website, or topics provided.

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages