espeditoalves / deploy-ml-bento

Este projeto tem o objetivo de desenvolver o deploy de um modelo

deploy-ml-bentoml

Esse projeto foi um estudo desenvolvimento para implementar o deploy de um modelo machine learning usando bentoml, e publicando no heroku, todavia decidir por não publicar no heroku, e usar somente o streamlit para uma interação amizagavel com o modelo.

PS: Para implementar no streamlit não é necessário utilizar o bentoml.

Project Structure

• src: consists of Python scripts
• config: consists of configuration files
• data: consists of data
• processors: consists of all scikit-learn's transformers used to process the new input

Configuração do Projeto usando Poetry

Clone o Repositório

Clone este repositório específico (branch bentoml_demo):

git clone https://github.com/espeditoalves/deploy-ml-bento.git

Instalação das Dependências do Projeto

Depois de configurar o ambiente virtual com Poetry, instale todas as dependências listadas no arquivo pyproject.toml (gerenciado pelo Poetry) com o comando:

poetry install

Ativar o Ambiente Virtual

Para ativar o ambiente virtual recém-criado, use o comando:

poetry shell

Para treinar o modelo use

1. Baixe o conjunto de dados em: https://www.kaggle.com/datasets/imakash3011/customer-personality-analysis
2. Salve o conjunto de dados em .data/raw
3. O nome do arquivo deve ser: 'marketing_campaign.csv'
4. Com o ambiente virtual ativo rode o código sr/train_model.py

Para fazer classificanção usando Bentoml

1. Ative o ambiente virtual
2. Rode o código bentoml serve src.bentoml_app:service --reload
3. Acesse o link indicado no terminal ou use: http://127.0.0.1:3000/

Para fazer classificanção usando Streamlit

1. Ative o ambiente virtual
2. Rode o código streamlit run src/streamlit_app.py

   O link de acesso será fornecido ou abrirá automaticamente

Ferramaentas usadas nesse projeto

• hydra: Gerencia arquivos de configuração - article

• Poetry: Gerenciamento de dependências - article