Xin chào các bạn, Hôm nay mình sẽ cùng các bạn làm một ứng dụng Full-Stack Machine learning.

Trong dự án này, chúng tôi sẽ sử dụng các thuật toán Front-End, Back-End và Machine learning cùng nhau.

Front-End: Streamlit
Back-End:
Thuật toán học máy FastAPI: Hồi quy logistic, KNN, Cây quyết định.

Khi chúng tôi kiểm tra sơ đồ ở trên, người dùng của chúng tôi chọn thuật toán học máy mong muốn thông qua Front-End và nhập các tham số. Sau đó, nó xử lý mô hình được chọn ở phía Back-End và các giá trị do người dùng nhập vào và gửi lại kết quả mô hình cho Front-End.

Front-End Streamlit

Ở đây, chúng ta chỉ cần tạo một hộp chọn để người dùng chọn một mô hình, đầu tiên, sau khi người dùng chọn Mô hình, chúng ta sẽ nhập các tham số khác cần thiết cho mô hình. Sau đó, khi chúng tôi nhấn nút dự đoán, chúng tôi sẽ áp dụng thông tin do người dùng nhập và gửi kết quả lên màn hình.

Mô hình học máy

Ở đây chúng tôi tạo các mô hình mà chúng tôi sẽ sử dụng. Đầu tiên, chúng tôi đọc tập dữ liệu của mình, sau đó chúng tôi tách dữ liệu của mình bằng cách đặt tập dữ liệu vào train_test_split. sau đó, chúng tôi tạo mô hình của mình thành một tệp có phần mở rộng pkl bằng cách thực hiện thao tác điều chỉnh trên mô hình của chúng tôi. Mục đích của chúng tôi khi làm điều này là làm cho nó nhanh hơn trong khi xử lý các giá trị phụ trợ của chúng tôi.

Back-End FastAPI

Ở đây, chúng tôi tạo 3 điểm cuối lúc đầu. Chúng tôi có 3 mô hình để người dùng lựa chọn (Hồi quy logistic, KNN, Cây quyết định). Sau khi người dùng của chúng tôi đưa ra các yêu cầu này, chúng tôi sẽ gửi một danh sách các tham số khác đến mô hình của chúng tôi. Vì vậy, sau khi mô hình của chúng tôi đã áp dụng tất cả các tham số, chúng tôi sẽ gửi kết quả đến giao diện người dùng.

Phần kết luận

Do đó, tạo một dự án Full-Stack sử dụng nhiều công nghệ và đặc biệt là các công nghệ mới trong dự án này thực sự thú vị, cũng như tạo một dự án lớn sử dụng nhiều công nghệ cùng một lúc, đó là một phương pháp tuyệt vời cho cá nhân. phát triển. FastAPI là một công nghệ đã thực sự tạo được dấu ấn trong thời gian gần đây, tính đơn giản và tốc độ của nó mang lại cho người dùng sự hài lòng tuyệt vời. Tôi hy vọng bạn rất thích dự án này, hẹn gặp lại bạn trong dự án tiếp theo.

Liên hệ với tôi

liên kết:https://www.linkedin.com/in/boran-oktay-dabak/

Mã nguồn:https://github.com/oktaydbk54/Machine-Learning-Model-Deployment-using-FastAPI-and-Streamlit

YouTube:https://www.youtube.com/channel/UCsGwZ3006CuJWcA5J3UPVWw