Guia do Ecossistema AI/ML

Este guia cobre os principais aspectos do ecossistema AI/ML, dos frameworks às ferramentas, passando pelas boas práticas.

Conteúdo

• Frameworks de Deep Learning
• Ferramentas de MLOps
• Boas Práticas
• Deploy
• Monitoramento

Estrutura

A pasta está organizada da seguinte forma:

ai-ecosystem/
├── frameworks/         # Frameworks de deep learning
├── mlops/             # Outils et pratiques MLOps
├── deployment/        # Guides de déploiement
└── monitoring/        # Outils de monitoring

Recursos

• Documentação oficial dos frameworks
• Guias de boas práticas
• Exemplos de código
• Tutoriais

Projeto Capstone: Previsão de Preços Imobiliários

Uma aplicação de ML full-stack para prever preços imobiliários usando Streamlit, FastAPI, H2O e MLOps.

🚀 Funcionalidades

• Interface de usuário interativa com Streamlit
• API RESTful com FastAPI
• Modelo de ML automático com H2O AutoML
• Pipeline MLOps completo com DVC e MLflow
• Monitoramento com Prometheus
• Deploy automatizado com GitHub Actions
• Testes unitários com pytest

🛠️ Tecnologias Utilizadas

• Frontend: Streamlit
• Backend: FastAPI
• ML: H2O AutoML
• MLOps: DVC, MLflow
• Conteinerização: Docker, Docker Compose
• CI/CD: GitHub Actions
• Monitoramento: Prometheus
• Testes: pytest

📋 Pré-requisitos

• Python 3.9+
• Docker e Docker Compose
• Git
• Conta no GitHub (para CI/CD)

🚀 Instalação

1. Clonar o projeto:

git clone https://github.com/votre-username/real-estate-ml.git
cd real-estate-ml

2. Criar o ambiente virtual:

python -m venv venv
source venv/bin/activate  # Linux/Mac
venv\Scripts\activate     # Windows

3. Instalar as dependências:

pip install -r requirements.txt

4. Preparar os dados:

dvc pull
dvc repro prepare

5. Treinar o modelo:

dvc repro train

6. Iniciar a aplicação:

docker-compose up

🌐 Acesso aos Serviços

• Frontend Streamlit: http://localhost:8501
• API FastAPI: http://localhost:8000
• Documentação da API: http://localhost:8000/docs
• MLflow: http://localhost:5000
• Prometheus: http://localhost:9090

📊 Estrutura do Projeto

real-estate-ml/
├── data/
│   ├── raw/
│   │   └── housing_data.csv
│   └── processed/
├── models/
│   ├── trained/
│   └── deployed/
├── src/
│   ├── data/
│   ├── models/
│   ├── api/
│   └── frontend/
├── tests/
├── notebooks/
├── configs/
└── .github/
    └── workflows/

🔧 Configuração

O arquivo config.yaml contém todas as configurações do projeto:

• Parâmetros dos dados
• Configuração do modelo
• Parâmetros da API
• Configuração do frontend
• Parâmetros do MLflow
• Limites de monitoramento

🧪 Testes

Executar os testes:

pytest tests/

📈 Monitoramento

As seguintes métricas são monitoradas:

• Número total de previsões
• Latência das previsões
• Taxa de erro
• Desempenho do modelo

🤝 Contribuição

1. Faça um fork do projeto
2. Crie uma branch (git checkout -b feature/AmazingFeature)
3. Faça commit das alterações (git commit -m 'Add some AmazingFeature')
4. Faça push para a branch (git push origin feature/AmazingFeature)
5. Abra um Pull Request

📝 Licença

Este projeto está sob a licença MIT. Veja o arquivo LICENSE para mais detalhes.

👥 Autores

• Seu Nome - @votre_twitter

🙏 Agradecimentos

• Streamlit
• FastAPI
• H2O.ai
• DVC
• MLflow