Jernihin Download - Jernihin Quellcode Download

Jernihin

Website-Daten

1.0.0

Herunterladen

Jernihin

Klicken Sie hier, um Jernihin anzuzeigen.

Inhaltstabelle

Jernihin
Inhaltstabelle
Über Jernihin
- Hintergrund
- Ziel & Ziel
- Installation und Bereitstellung
  - Projektinstallation in die persönliche virtuelle Umgebung
  - Stellen Sie das Modell des maschinellen Lernens mit Flask auf der Eisenbahn ein
- Wie Jernihin funktioniert - Wasserqualitätsklassifizierung
- Pläne & Realisierung
- Repository & Zweig
- Bibliographie
  - A. Datensatz
  - B. Ressourcen
  - C. Akademische Papiere
  - D. Referenzen
- Präsentation
- Demo -Video
- Entwickler

Über Jernihin

Jernihin ist ein Programm für maschinelles Lernen auf einer indonesischen Website, die derzeit von 4 Entwicklern aus dem SIB3 Capstone C22-078-Team im Programm für maschinelles Lernen und Front-End-Webentwickler von SIB Dicoding X Kampus Merdeka Batch 3 entwickelt wird.

Hintergrund

Eine natürliche Ressource, die ein großes Potenzial für Lebewesen hat und jedes Jahr weiter zunimmt, ist Wasser. Laut den Daten zu SDGs (Sustainable Development Tars (SDGs)) beträgt der Indonesien -Wasserqualitätsindex für 2020 53,53, ein Anstieg gegenüber dem Vorjahr [1]. Wassermessungen sind aus chemischen Variablen wie pH -Wert, Trübung, Phosphor, Stickstoff, Sauerstoff und anderen, die eine wichtige Rolle bei der Bestimmung der Wasserqualität spielen. Um herauszufinden, dass die Qualität des Wassers regelmäßig überwacht werden muss [2].

Eine der Bemühungen zur Unterstützung der Strategie zur Wasserressourcenmanagement besteht darin, ein System zu erstellen, das die Qualität des Wassergehalts überwachen kann. Basierend auf den oben genannten Problemen haben wir beschlossen, eine Website -Anwendung mit Deep -Learning -Methoden zu erstellen, um die Wasserqualität aus mehreren Variablen vorherzusagen. Es wird erwartet, dass diese Anwendung eine weitere Alternative zur Verwaltung und Überwachung der Wasserqualität bietet.

Ziel & Ziel

Basierend auf dem oben beschriebenen Hintergrund sind das Ziel und das Ziel dieses Projekts:

Diese Website soll der Community als Dienstprogramm helfen, die Wasserqualität zu entscheiden und zu bestimmen. Diese Funktion wird erwartet, dass sie eine bessere Behandlung von Wasserressourcen hilft.
Jernihin hat ein Merkmal, mit dem Menschen die Wasserqualität basierend auf dem Gehalt im Wasser identifizieren können, das aus Fäkal, Sauerstoff, pH, Sediment, Temperatur, Stickstoff, Phosphor und Trübung besteht. Diese Funktion sollte in der Lage sein, seinen Benutzern die Wasserqualität zu kartieren und zu identifizieren.

Installation und Bereitstellung

Dieser Schritt wird kurz in zwei Phasen erklärt, die aus:

Erstellen Sie das Flask -Framework für das Projekt
Hosting -Prozess zur Eisenbahn

Projektinstallation in die persönliche virtuelle Umgebung

Die Schritte zum Erstellen Ihrer virtuellen Umgebung aus diesem Projekt sind wie folgt:

Klonen Sie dieses Repository

git clone https://github.com/aNdr3W03/Jernihin.git

Installieren Sie die virtuelle Python -Umgebung
```
virtualenv venv
```
Installieren Sie alle Anforderungen innerhalb von "Anforderungen.txt"
```
pip install -r requirements.txt
```

Flask -App importieren und Server ausführen

 export FLASK_APP=app.py
flask run

oder

python app.py

Stoppen Sie das Anwendungsprogramm oder Server mit ctrl + c .

Stellen Sie das Modell des maschinellen Lernens mit Flask auf der Eisenbahn ein

Melden Sie sich mit E -Mail oder Github Acount auf dem Eisenbahnkonto an
Neues Projekt erstellen
Wählen Sie das Formular GitHub Repo bereitstellen
Wählen Sie das Respository -Projekt, das Sie bereitstellen möchten

Wie Jernihin funktioniert - Wasserqualitätsklassifizierung

Nutzen Sie die Benutzereingabe aus der HTML -Form in Form von Fäkal, Sauerstoff, pH, Sediment, Temperatur, Stickstoff, Phosphor und Trübung. Diese Parameter werden als Ersatzwerte extrahiert, die später vorhergesagt werden. Der Wertbereich liegt zwischen 0 und 100 für jeden Eingang.
Skalieren Sie die Benutzereingabe in das Numpy -Array für Inferenz.
Prognostizieren die Benutzereingabe mithilfe des Modells, das erstellt wurde. Das verwendete Modell ist der baumbasierte Lernalgorithmus für Waldklassifizierer. Dies wird das Ergebnis einer Reihe von Modellvorhersagen aus allen eingegebenen Eingaben zurückgeben.
Ausgangsvorhersagebezeichnungen in Form der Erlangung von realen lesbaren Ergebnissen. Dann wird dieser Ganzzahlwert in eine Ergebniszeichenfolge basierend auf dem Etikett konvertiert, das dem Zeichen entspricht. Das Ergebnis dieses Prozesses ist eine Reihe von prädiktiven Ergebnissen wie "ausgezeichnet", "gut", "fair", "marginal" und "arm".
Das endgültige Vorhersageergebnis wird auf die Vorhersageseite zurückgegeben, die dem Benutzer angezeigt wird.

Pläne & Realisierung

Die Planung von Risikomanagement und mögliche Probleme, die während der Arbeit dieses Projekts auftreten werden, wurden mit SWOT -Analysen durchgeführt, nämlich Stärken, Schwächen, Chancen und Bedrohungen. Diese Analyse wurde durchgeführt, um die Stärken, Schwächen, Chancen und Bedrohungen zu kartieren und zu identifizieren, die während der Entwicklung dieses Projekts auftreten könnten.

Für das erste Dokument wurde ein Gantt-Diagramm für die Verfolgung des Beginns der vereinbarten Liste erstellt. Das Erstellen eines Gantt -Diagramms auf ProjectLibre für Einzelheiten zum Zeitplan finden Sie im Gantt -Diagramm -Dokument im folgenden Gantt -Diagramm -Link oder im folgenden Bild:

Jernihin -Projekt Gantt -Diagramm

Repository & Zweig

Dieses Jernihin -Repository ist in 2 Zweige unterteilt:

Hauptabteilung (Master -Zweig)
Der main wird als Integrationszweig für die Entwicklung von Frontend -Displays und die Entwicklung des maschinellen Lernens verwendet. Der Plan besteht darin, das Flask -Framework zu verwenden, um Websites und maschinelles Lernmodell als Ganzes zu erstellen und zu integrieren.
Dev (Entwicklungszweig)
Der dev wird während des Prozesses der Ermittlung der anfänglichen Ressourcen verwendet, oder es kann als Umgebung bezeichnet werden, in der verschiedene Dinge im Projekt verwendet werden können, damit die DOCs schließlich, wenn Sie die entsprechenden Ressourcen gefunden haben, von Dev zum Hauptzweig verschoben werden.

Bibliographie

A. Datensatz

AmerigeosoSS Community Platform Datahub
WQI-Parameterwerte 1994-2013 Datensatz

B. Ressourcen

Bei der Arbeit an diesem Projekt werden mehrere Projekt- oder Projektressourcen benötigt.

Sprache
Rahmen
Bibliothek
Ikonen und Bilder
Einsatz

C. Akademische Papiere

[1] H. sagte, NH Matondang und Hn Irmanda, "Sistem Prediksi Kualitas Air Yang Dapat Dikonsisi Dengan Menerapkan Algoritma K-Nearest Nachbar", Seminar Nasional Mahasiswa Ilmu Komputer Dan Aplikasiinya (Senamika) , Vol. 3, nein. 1, S. 158-168, Apr. 2022. Zugriff: 12. Oktober 2022. [Online]. Verfügbar: https://conference.upnvj.ac.id/index.php/senamika/article/view/2017
[2] Mhd Barang dan sk Saptomo, "Analisis Kualitas Air Pada Jalur Distribusi Air Besih di Gedung Baru Fakultas Ekonomi Dan Manajemen Institut Pertanian Bogor", " Jurnal Teknik Sipil Dan Lingkungan (J-Sil) , vol. 4, nein. 1, S. 13-24, April 2019. Zugriff: 12. Oktober 2022. doi: 10.29244/jsil.4.1.13-24. [Online]. AIVailable: https://journal.ipb.ac.id/index.php/jsil/article/view/23735

D. Referenzen

[3] Regierung von Neufundland und Labrador, " Trinkwasserqualitätsindex". Gov.NL.CA. https://www.gov.nl.ca/ecc/waterres/quality/drinkwater/dwqi (abgerufen am 12. Oktober 2022).
[4] Nutan, " maschinelles Lernmodell mit Flask auf Heroku einsetzen. " Medium.com. https://medium.com/@nutanbhogendrasharma/deploy-machine-learning-model-with-flask-on-heroku-cd079b692b1d (abgerufen am 12. Oktober 2022).
[5] A. Sridhar, " Wie man maschinelles Lernmodell mit Flask (IRIS -Datensatz) bereitstellt. " YouTube.com. https://youtu.be/2lqrfezuimk (abgerufen am 23. November 2022).
[6] K. Naik, " maschinelles Lernmodell mit Flask einsetzen. " YouTube.com. https://youtu.be/ubcwomf80py (abgerufen am 23. November 2022).