Прогнозирование

Приложение может предсказывать на конкретную дату на 24 интервала просто выбирая дату в форме. Также можно подавать файл в csv формата с колонками date и time_interval. Если в файле больше столбцов, то это не проблема. На выходе получите файл с дополнительной колонкой predictions. Если хотите поднять свою инфраструктуру с MlFlow, Minio(S3), мониторингом моделей и мониторингом приложений, то запустите docker-compose.yml из этого репозитория.

Для запуска пайплайна необходимы следующие шаги:

1. Клонировать репозиторий командой git clone
2. Перейти в него и установить все зависимости командой poetry install --no-interaction --no-ansi
3. Положить свой файл по пути data/raw/. Для справки образец data.csv
4. Запустить из корневой директории на выбор make или poetry run dvc repro (для этого варианта предварительно нужно выполнить команду dvc init)
5. Итоговый прогноз будет находиться в файле data/predictions/preds.csv

---

Project Organization

├── LICENSE
├── Makefile           <- Простой способ запуска с `make`
├── README.md          <- Описание структуру проекта
├── data
│   ├── processed      <- Данные, предобработанные для моделирования
│   └── raw            <- Сюда класть сырые данные для предсказания
│
├── models             <- Тренированные модели
│
├── notebooks          <- Jupyter ноутбуку
│
│
├── requirements.txt   <- Файл с библиотеками для воспроизводимости
│
├── src                <- Source code
│   ├── __init__.py    <- Делает src Python модуелем
│   │
│   ├── data           <- Скрипты для загрузки датасета
│   │   └── make_dataset.py
│   │
│   ├── features       <- Скрипты для генерации признаков
│   │   └── build_features.py
│   │
│   ├── models         <- Скрипты для тренировки и предскания моделей
│   │   │                
│   │   ├── predict_model.py
│   │   └── train_model.py