Live Demo desplegada en Render. Este Live Demo dirige hacia la página por default creada con FastAPI para evaluar los endpoints:
Live Demo desplegada en Render. Este otro Live Demo es una pequeña página que hice con HTML, Javascript y Tailwind CSS para interactuar con la API. Esta versión no posee el acceso a la función de movie_recommender por limitaciones de memoria. Para no mezclar ambos trabajos pues el repositorio ya estaba teniendo un tamaño considerable, la página se creó y se desplegó desde el branch llamado templating:
Pueden ver la previsualización aquí
Esta versión no posee directamente el acceso a la función movie_recommender debido a limitaciones de memoria en Render.
El objetivo de esta app es poder crear un sistema de recomendación de 5 películas según la película que se ingrese, sin embargo, esta es solo la tarea final.
Uno de los objetivos era poder crear una API usando FastAPI para poder recibir resultados según los parámetros establecidos.Habrán 6 endpoints, los cuales deberán retornar los siguientes datos:
cantidad_filmaciones_mes( Mes ): Se ingresa un mes en idioma Español. Debe devolver la cantidad de películas que fueron estrenadas en el mes consultado en la totalidad del dataset. Ejemplo de retorno: X cantidad de películas fueron estrenadas en el mes de Xcantidad_filmaciones_dia( Dia ): Se ingresa un día en idioma Español. Debe devolver la cantidad de películas que fueron estrenadas en día consultado en la totalidad del dataset. Ejemplo de retorno: X cantidad de películas fueron estrenadas en los días Xscore_titulo( titulo_de_la_filmación ): Se ingresa el título de una filmación esperando como respuesta el título, el año de estreno y el score. Ejemplo de retorno: La película X fue estrenada en el año X con un score/popularidad de Xvotos_titulo( titulo_de_la_filmación ): Se ingresa el título de una filmación esperando como respuesta el título, la cantidad de votos y el valor promedio de las votaciones. La misma variable deberá de contar con al menos 2000 valoraciones, caso contrario, debemos contar con un mensaje avisando que no cumple esta condición y que por ende, no se devuelve ningun valor. Ejemplo de retorno: La película X fue estrenada en el año X. La misma cuenta con un total de X valoraciones, con un promedio de Xget_actor( nombre_actor ): Se ingresa el nombre de un actor que se encuentre dentro de un dataset debiendo devolver el éxito del mismo medido a través del retorno. Además, la cantidad de películas que en las que ha participado y el promedio de retorno. La definición no deberá considerar directores. Ejemplo de retorno: El actor X ha participado de X cantidad de filmaciones, el mismo ha conseguido un retorno de X con un promedio de X por filmaciónget_director( nombre_director ): Se ingresa el nombre de un director que se encuentre dentro de un dataset debiendo devolver el éxito del mismo medido a través del retorno. Además, deberá devolver el nombre de cada película con la fecha de lanzamiento, retorno individual, costo y ganancia de la misma.movie_recommender/{titulo}: Esta función realiza la recomendación de películas usando el modelo de clasificación de K-Vecinos Cercanos. Aunque esta función ha podido ejecutarse, la instancia de Render usada no posee suficiente memoria RAM, por tanto en ocasiones puede dar un error 502, pues solo cuenta con 512 MB de memoria RAM.
Además se tienen dos archivos donde se hace un análisis exploratorio de los datos junto con los archivos donde se hicieron las limpiezas de los datos en bruto. Los archivos son Jupyter Notebooks, los cuales están en la carpeta Machine Learning Model, donde los archivos para la limpieza terminan en _Cleaning.ipynb y el del análisis exploratorio de datos termina en _Analysis.ipynb.