Ich baue Python-Machine-Learning-Modelle und MLOps-Pipelines

Ich habe ein End-to-End ML- und MLOps-Projekt entwickelt, um verspätete Lieferungen mit realen Olist-E-Commerce-Daten vorherzusagen.

PROJEKTWORKFLOW & OUTPUTS

1. Datenintegration | Python, Pandas
2. Verknüpfte verwandte Tabellen, um einen einheitlichen Datensatz zu erstellen.
3. Target Engineering & Splitting
4. Late/On-Time-Labels sowie Train-/Validation-/Test-Sets erstellt.
5. EDA & Feature Engineering
6. Liefermuster analysiert und Vorverarbeitungs-Pipelines aufgebaut.
7. Model Training | Scikit-learn
8. Klassifikationsmodelle trainiert und Vorhersage-Metriken bewertet.
9. MLflow | Experiment Tracking
10. Trainingsläufe, Metriken und Modellartefakte aufgezeichnet.
11. DVC | Version Control
12. Daten- und Modellversionen verwaltet.
13. Great Expectations | Validation
14. Datenqualitätschecks und Eingabebeschränkungen definiert.
15. FastAPI | Model Serving
16. Endpoints /predict, /batch-predict, /health, /model-info und /metrics erstellt.
17. Docker | Containerisierung
18. Dockerfile und Docker Compose konfiguriert.
19. Pytest & GitHub Actions | CI/CD
20. Automatisierte Tests und CI-Arbeitsabläufe vorbereitet.
21. Monitoring & Logging
22. Anfragen, Fehler, Latenz und Vorhersage-Tracking hinzugefügt.

DELIVERABLES

Python-Code, trainierte Modelle, Evaluationsausgaben, API, Tests und Dokumentation.

Lass uns über dein ML-Projekt sprechen!