History

Pikachú 9e189e28e2 updated translations for ko, es, it, ja, sw, hi, tr and zh using co-op translator		8 months ago
..
README.md	updated translations for ko, es, it, ja, sw, hi, tr and zh using co-op translator	8 months ago
assignment.md	updated translations for ko, es, it, ja, sw, hi, tr and zh using co-op translator	8 months ago

README.md

Crear una Aplicación Web para Usar un Modelo de ML

En esta lección, entrenarás un modelo de ML con un conjunto de datos fuera de este mundo: Avistamientos de OVNIs durante el último siglo, obtenidos de la base de datos de NUFORC.

Aprenderás:

Cómo 'pickle' un modelo entrenado
Cómo usar ese modelo en una aplicación Flask

Continuaremos usando notebooks para limpiar datos y entrenar nuestro modelo, pero puedes llevar el proceso un paso más allá explorando el uso de un modelo 'en el mundo real', por así decirlo: en una aplicación web.

Para hacer esto, necesitas construir una aplicación web usando Flask.

Cuestionario Previo a la Lección

Construyendo una Aplicación

Hay varias formas de construir aplicaciones web para consumir modelos de machine learning. Tu arquitectura web puede influir en la forma en que tu modelo está entrenado. Imagina que estás trabajando en una empresa donde el grupo de ciencia de datos ha entrenado un modelo que quieren que uses en una aplicación.

Consideraciones

Hay muchas preguntas que necesitas hacer:

¿Es una aplicación web o una aplicación móvil? Si estás construyendo una aplicación móvil o necesitas usar el modelo en un contexto de IoT, podrías usar TensorFlow Lite y usar el modelo en una aplicación Android o iOS.
¿Dónde residirá el modelo? ¿En la nube o localmente?
Soporte offline. ¿La aplicación tiene que funcionar sin conexión?
¿Qué tecnología se utilizó para entrenar el modelo? La tecnología elegida puede influir en las herramientas que necesitas usar.
- Usando TensorFlow. Si estás entrenando un modelo usando TensorFlow, por ejemplo, ese ecosistema proporciona la capacidad de convertir un modelo de TensorFlow para su uso en una aplicación web usando TensorFlow.js.
- Usando PyTorch. Si estás construyendo un modelo usando una biblioteca como PyTorch, tienes la opción de exportarlo en formato ONNX (Open Neural Network Exchange) para su uso en aplicaciones web JavaScript que pueden usar el Onnx Runtime. Esta opción será explorada en una lección futura para un modelo entrenado con Scikit-learn.
- Usando Lobe.ai o Azure Custom Vision. Si estás usando un sistema ML SaaS (Software como Servicio) como Lobe.ai o Azure Custom Vision para entrenar un modelo, este tipo de software proporciona formas de exportar el modelo para muchas plataformas, incluyendo la construcción de una API personalizada para ser consultada en la nube por tu aplicación en línea.

También tienes la oportunidad de construir una aplicación web completa con Flask que sería capaz de entrenar el modelo por sí misma en un navegador web. Esto también se puede hacer usando TensorFlow.js en un contexto JavaScript.

Para nuestros propósitos, ya que hemos estado trabajando con notebooks basados en Python, exploremos los pasos que necesitas seguir para exportar un modelo entrenado desde dicho notebook a un formato legible por una aplicación web construida en Python.

Herramienta

Para esta tarea, necesitas dos herramientas: Flask y Pickle, ambas funcionan en Python.

✅ ¿Qué es Flask? Definido como un 'micro-framework' por sus creadores, Flask proporciona las características básicas de los frameworks web usando Python y un motor de plantillas para construir páginas web. Echa un vistazo a este módulo de aprendizaje para practicar la construcción con Flask.

✅ ¿Qué es Pickle? Pickle 🥒 es un módulo de Python que serializa y deserializa una estructura de objetos de Python. Cuando 'pickleas' un modelo, serializas o aplastas su estructura para su uso en la web. Ten cuidado: pickle no es intrínsecamente seguro, así que ten cuidado si te piden 'des-picklear' un archivo. Un archivo pickled tiene el sufijo .pkl.

Ejercicio - limpiar tus datos

En esta lección usarás datos de 80,000 avistamientos de OVNIs, recopilados por NUFORC (El Centro Nacional de Informes de OVNIs). Estos datos tienen algunas descripciones interesantes de avistamientos de OVNIs, por ejemplo:

Descripción larga de ejemplo. "Un hombre emerge de un rayo de luz que brilla en un campo de hierba por la noche y corre hacia el estacionamiento de Texas Instruments".
Descripción corta de ejemplo. "las luces nos persiguieron".

La hoja de cálculo ufos.csv incluye columnas sobre el city, state y country donde ocurrió el avistamiento, el shape del objeto y su latitude y longitude.

En el notebook en blanco incluido en esta lección:

importa pandas, matplotlib, y numpy como hiciste en lecciones anteriores e importa la hoja de cálculo de ufos. Puedes echar un vistazo a un conjunto de datos de muestra:
```
import pandas as pd
import numpy as np

ufos = pd.read_csv('./data/ufos.csv')
ufos.head()
```

Convierte los datos de ufos a un pequeño dataframe con títulos nuevos. Revisa los valores únicos en el campo Country.

ufos = pd.DataFrame({'Seconds': ufos['duration (seconds)'], 'Country': ufos['country'],'Latitude': ufos['latitude'],'Longitude': ufos['longitude']})

ufos.Country.unique()

Ahora, puedes reducir la cantidad de datos que necesitamos manejar eliminando cualquier valor nulo e importando solo avistamientos entre 1-60 segundos:
```
ufos.dropna(inplace=True)

ufos = ufos[(ufos['Seconds'] >= 1) & (ufos['Seconds'] <= 60)]

ufos.info()
```

Importa la biblioteca LabelEncoder de Scikit-learn para convertir los valores de texto de los países a un número:

✅ LabelEncoder codifica datos alfabéticamente

from sklearn.preprocessing import LabelEncoder

ufos['Country'] = LabelEncoder().fit_transform(ufos['Country'])

ufos.head()

Tus datos deberían verse así:

	Seconds	Country	Latitude	Longitude
2	20.0	3		53.200000	-2.916667
3	20.0	4		28.978333	-96.645833
14	30.0	4		35.823889	-80.253611
23	60.0	4		45.582778	-122.352222
24	3.0		3		51.783333	-0.783333

Ejercicio - construir tu modelo

Ahora puedes prepararte para entrenar un modelo dividiendo los datos en el grupo de entrenamiento y prueba.

Selecciona las tres características que quieres entrenar como tu vector X, y el vector y será el Country. You want to be able to input Seconds, Latitude and Longitude y obtén un id de país para devolver.

from sklearn.model_selection import train_test_split

Selected_features = ['Seconds','Latitude','Longitude']

X = ufos[Selected_features]
y = ufos['Country']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

Entrena tu modelo usando regresión logística:

from sklearn.metrics import accuracy_score, classification_report
from sklearn.linear_model import LogisticRegression
model = LogisticRegression()
model.fit(X_train, y_train)
predictions = model.predict(X_test)

print(classification_report(y_test, predictions))
print('Predicted labels: ', predictions)
print('Accuracy: ', accuracy_score(y_test, predictions))

La precisión no está mal (alrededor del 95%), no es sorprendente, ya que Country and Latitude/Longitude correlate.

The model you created isn't very revolutionary as you should be able to infer a Country from its Latitude and Longitude, pero es un buen ejercicio intentar entrenar desde datos en bruto que limpiaste, exportaste y luego usar este modelo en una aplicación web.

Ejercicio - 'pickle' tu modelo

¡Ahora, es momento de pickle tu modelo! Puedes hacerlo en unas pocas líneas de código. Una vez que esté pickled, carga tu modelo pickled y pruébalo contra un array de datos de muestra que contenga valores para segundos, latitud y longitud,

import pickle
model_filename = 'ufo-model.pkl'
pickle.dump(model, open(model_filename,'wb'))

model = pickle.load(open('ufo-model.pkl','rb'))
print(model.predict([[50,44,-12]]))

El modelo devuelve '3', que es el código de país para el Reino Unido. ¡Increíble! 👽

Ejercicio - construir una aplicación Flask

Ahora puedes construir una aplicación Flask para llamar a tu modelo y devolver resultados similares, pero de una manera más visualmente agradable.

Comienza creando una carpeta llamada web-app junto al archivo notebook.ipynb donde reside tu archivo ufo-model.pkl.
En esa carpeta crea tres carpetas más: static, con una carpeta css dentro, y templates. Ahora deberías tener los siguientes archivos y directorios:
```
web-app/
  static/
    css/
  templates/
notebook.ipynb
ufo-model.pkl
```
✅ Consulta la carpeta de solución para ver la aplicación terminada
El primer archivo que debes crear en la carpeta web-app es el archivo requirements.txt. Al igual que package.json en una aplicación JavaScript, este archivo lista las dependencias requeridas por la aplicación. En requirements.txt agrega las líneas:
```
scikit-learn
pandas
numpy
flask
```
Ahora, ejecuta este archivo navegando a web-app:
```
cd web-app
```
En tu terminal escribe pip install, para instalar las bibliotecas listadas en requirements.txt:
```
pip install -r requirements.txt
```
Ahora, estás listo para crear tres archivos más para terminar la aplicación:
1. Crea app.py en la raíz.
2. Crea index.html en el directorio templates.
3. Crea styles.css en el directorio static/css.

Construye el archivo styles.css con algunos estilos:

body {
	width: 100%;
	height: 100%;
	font-family: 'Helvetica';
	background: black;
	color: #fff;
	text-align: center;
	letter-spacing: 1.4px;
	font-size: 30px;
}

input {
	min-width: 150px;
}

.grid {
	width: 300px;
	border: 1px solid #2d2d2d;
	display: grid;
	justify-content: center;
	margin: 20px auto;
}

.box {
	color: #fff;
	background: #2d2d2d;
	padding: 12px;
	display: inline-block;
}

Luego, construye el archivo index.html:

<!DOCTYPE html>
<html>
  <head>
    <meta charset="UTF-8">
    <title>🛸 UFO Appearance Prediction! 👽</title>
    <link rel="stylesheet" href="{{ url_for('static', filename='css/styles.css') }}">
  </head>

  <body>
    <div class="grid">

      <div class="box">

        <p>According to the number of seconds, latitude and longitude, which country is likely to have reported seeing a UFO?</p>

        <form action="{{ url_for('predict')}}" method="post">
          <input type="number" name="seconds" placeholder="Seconds" required="required" min="0" max="60" />
          <input type="text" name="latitude" placeholder="Latitude" required="required" />
          <input type="text" name="longitude" placeholder="Longitude" required="required" />
          <button type="submit" class="btn">Predict country where the UFO is seen</button>
        </form>

        <p>{{ prediction_text }}</p>

      </div>

    </div>

  </body>
</html>

Echa un vistazo a la plantilla en este archivo. Nota la sintaxis 'mustache' alrededor de las variables que serán proporcionadas por la aplicación, como el texto de predicción: {{}}. There's also a form that posts a prediction to the /predict route.

Finally, you're ready to build the python file that drives the consumption of the model and the display of predictions:

In app.py agrega:

import numpy as np
from flask import Flask, request, render_template
import pickle

app = Flask(__name__)

model = pickle.load(open("./ufo-model.pkl", "rb"))


@app.route("/")
def home():
    return render_template("index.html")


@app.route("/predict", methods=["POST"])
def predict():

    int_features = [int(x) for x in request.form.values()]
    final_features = [np.array(int_features)]
    prediction = model.predict(final_features)

    output = prediction[0]

    countries = ["Australia", "Canada", "Germany", "UK", "US"]

    return render_template(
        "index.html", prediction_text="Likely country: {}".format(countries[output])
    )


if __name__ == "__main__":
    app.run(debug=True)

💡 Consejo: cuando agregas debug=True while running the web app using Flask, any changes you make to your application will be reflected immediately without the need to restart the server. Beware! Don't enable this mode in a production app.

If you run python app.py or python3 app.py - your web server starts up, locally, and you can fill out a short form to get an answer to your burning question about where UFOs have been sighted!

Before doing that, take a look at the parts of app.py:

First, dependencies are loaded and the app starts.
Then, the model is imported.
Then, index.html is rendered on the home route.

On the /predict route, several things happen when the form is posted:

The form variables are gathered and converted to a numpy array. They are then sent to the model and a prediction is returned.
The Countries that we want displayed are re-rendered as readable text from their predicted country code, and that value is sent back to index.html to be rendered in the template.

Using a model this way, with Flask and a pickled model, is relatively straightforward. The hardest thing is to understand what shape the data is that must be sent to the model to get a prediction. That all depends on how the model was trained. This one has three data points to be input in order to get a prediction.

In a professional setting, you can see how good communication is necessary between the folks who train the model and those who consume it in a web or mobile app. In our case, it's only one person, you!

🚀 Challenge

Instead of working in a notebook and importing the model to the Flask app, you could train the model right within the Flask app! Try converting your Python code in the notebook, perhaps after your data is cleaned, to train the model from within the app on a route called train. ¿Cuáles son los pros y los contras de seguir este método?

Cuestionario Posterior a la Lección

Revisión y Autoestudio

Hay muchas formas de construir una aplicación web para consumir modelos de ML. Haz una lista de las formas en que podrías usar JavaScript o Python para construir una aplicación web que aproveche el machine learning. Considera la arquitectura: ¿debería el modelo permanecer en la aplicación o vivir en la nube? Si es lo último, ¿cómo lo accederías? Dibuja un modelo arquitectónico para una solución web aplicada de ML.

Tarea

Prueba un modelo diferente

    **Descargo de responsabilidad**: 
    Este documento ha sido traducido utilizando servicios de traducción automática basados en IA. Aunque nos esforzamos por lograr precisión, tenga en cuenta que las traducciones automáticas pueden contener errores o inexactitudes. El documento original en su idioma nativo debe considerarse la fuente autorizada. Para información crítica, se recomienda una traducción humana profesional. No somos responsables de ningún malentendido o interpretación errónea que surja del uso de esta traducción.