2. Data Saturday #2 Guatemala 2021
Luis Beltrán
• Microsoft MVP
• Investigador en Tomás Bata
University in Zlín, República
Checa
• Docente en Tecnológico Nacional
de México en Celaya, México
4. Data Saturday #2 Guatemala 2021
Tecnologías involucradas
• Python para la creación de un modelo de Machine Learning de predicción
• SQLite como repositorio de datos
• ASP.NET Core para la creación de un API para consulta de resultados
• Docker para la creación de un contenedor de toda la solución
• Postman para la interacción con la solución de ML implementada
42. Data Saturday #2 Guatemala 2021
¡Muchas gracias por tu
atención!
Luis Beltrán
Tomás Bata University in Zlín
Tecnológico Nacional de México en Celaya
luis@luisbeltran.mx luisbeltran.mx @darkicebeam
GitHub:
https://github.com/icebeam7
LinkedIn:
https://linkedin.com/in/luisantoniobeltran
SlideShare:
https://slideshare.net/icebeam
YouTube:
https://youtube.com/user/darkicebeam
About Me:
https://about.me/luis-beltran
Notas del editor
Al crear un modelo de machine learning usando Python, una pregunta común es cómo hacer la solución disponible para su consumo desde aplicaciones cliente o incluso para su prueba.
El objetivo de esta sesión es explicar cómo se puede integrar una solución de machine learning portable y consumible desde aplicaciones externas.
# Predicción de salarios
Este proyecto predice el salario de un empleado basado en la experiencia.
# Modelo
model.py entrena y guarda el modelo en disco.
model.pkb el modelo pickle (serializado).
# Aplicación
app.py contiene todos los requerimientos de Flask y la administración de APIs.
# Fuente:
https://github.com/vyashemang/flask-salary-predictor/