пререквизиты )
pip install -r 'requirements.txt'
на входе задаем в config.ini откуда брать JN и DS
[ingestor]
repo_name = https://raw.githubusercontent.com/truemanD/ML_test/main/
ds_name = historical_dataset.csv
jn_name = jupiter_notebook.ipynb
запускаем модуль ingestor
python ingestor.py
DS и JN расположены в "правильных" местах репозитория
В среде Jupiter Notebook в файле ipynb необходимо сделать ряд пометок:
- тегом #dataset помечаем строку в ячейке, где осуществляется импорт датасета
wine = pd.read_csv('./../../data/historical_dataset.csv') #dataset
- тегами
#test_dataset=X_test
#test_classes=y_test
#train_dataset=X_train
#train_classes=y_train
создаются указатели на переменные с наборами данных для обучения модели и ее тестирования
- тегами
#model=sgd
создаются указатели на переменные с обученными моделями
!все указатели должны находиться в тех ячейках, где происходит инициализациия необходимых переменных
на входе имеем полученные ранее DS и JN. Pадаем в config.ini откуда брать JN и DS
[convertor]
api_template = api.template
jn_name = jupiter_notebook.ipynb
start_port = 5000
запускаем модуль convertor
python convertor.py
на входе имеем сгенерированный файл train.py и данные для обучения модели в директории train/data
пререквизиты для обучения )
pip install -r 'train/src/scripts/requirements.txt'
запускаем модуль train
python train/src/scripts/train.py
пререквизиты для использования )
pip install -r 'predict/src/scripts/requirements.txt'
запускаем модуль predict
python predict/src/scripts/<<model_name>>_predict.py
пререквизиты для использования api)
pip install -r 'predict/src/api/requirements.txt'
запускаем модуль predict с api
python predict/src/api/<<model_name>>.py
запускаем модуль генерации DAG
python generator.py