Descarga de Jernihin - Descargar el código fuente de Jernihin

Jernihin

Datos del sitio web

1.0.0

Descargar

Jernihin

Haga clic aquí para ver Jernihin .

Tabla de contenido

Jernihin
Tabla de contenido
Sobre Jernihin
- Fondo
- Objetivo y objetivo
- Instalación e implementación
  - Instalación del proyecto al entorno virtual personal
  - Implementar el modelo de aprendizaje automático con frasco en el ferrocarril
- Cómo funciona Jernihin - Clasificación de calidad del agua
- Planes y realización
- Repositorio y rama
- Bibliografía
  - A. conjunto de datos
  - B. Recursos
  - C. Documentos académicos
  - D. Referencias
- Presentación
- Video de demostración
- Desarrolladores

Sobre Jernihin

Jernihin es un programa de aprendizaje automático en un sitio web con sede en Indonesia que actualmente se encuentra en el proceso de ser desarrollado por 4 desarrolladores del equipo SIB3 Capstone C22-078 en el programa de desarrolladores web de aprendizaje automático y front-end por SIB Dicoding X Kampus Merdeka Batch 3 .

Fondo

Un recurso natural que tiene un gran potencial para los seres vivos y continúa aumentando cada año es el agua. Según los datos sobre los Objetivos de Desarrollo Sostenible (SDG), el índice de calidad del agua de Indonesia para 2020 es de 53.53, un aumento respecto al año anterior [1]. Las mediciones de agua se pueden ver a partir de variables químicas como el valor del pH, la turbidez, el fósforo, el nitrógeno, el oxígeno y otros que juegan un papel importante en la determinación de la calidad del agua. Para averiguar la calidad del agua debe ser monitoreada regularmente [2].

Uno de los esfuerzos para ayudar a la estrategia de gestión de recursos hídricos es crear un sistema que pueda monitorear la calidad del contenido de agua. Según los problemas anteriores, decidimos construir una aplicación de sitio web utilizando métodos de aprendizaje profundo para predecir la calidad del agua de varias variables. Se espera que esta aplicación proporcione otra alternativa en la gestión y el monitoreo de la calidad del agua.

Objetivo y objetivo

Basado en el fondo descrito anteriormente, el objetivo y el objetivo de este proyecto son:

Este sitio web tiene como objetivo ayudar a la comunidad como una utilidad para ayudar a decidir y determinar la calidad del agua. Se espera que esta característica ayude en una mejor gestión de los recursos hídricos.
Jernihin tiene una característica que puede ayudar a las personas a identificar la calidad del agua en función del contenido en el agua que consiste en fecal, oxígeno, pH, sedimento, temperatura, nitrógeno, fósforo y turbidez. Esta característica debería poder ayudar a sus usuarios a mapear e identificar la calidad del agua.

Instalación e implementación

Este paso se explicará brevemente a través de dos etapas, que consiste en:

Crea el marco de frascos en el proyecto
Proceso de alojamiento al ferrocarril

Instalación del proyecto al entorno virtual personal

Los pasos para crear su entorno virtual a partir de este proyecto son los siguientes:

Clon este repositorio

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

Instale el entorno virtual de Python
```
virtualenv venv
```
Instale todos los requisitos dentro de "requisitos.txt"
```
pip install -r requirements.txt
```

Importar el servidor de la aplicación Flask

 export FLASK_APP=app.py
flask run

o

python app.py

Detenga el programa o servidor de la aplicación por ctrl + c .

Implementar el modelo de aprendizaje automático con frasco en el ferrocarril

Inicie sesión en la cuenta ferroviaria con correo electrónico o GitHub ACOOUNT
Crear un nuevo proyecto
Elija el repositorio de GitHub de implementación de implementación
Elija el proyecto Respository que desee implementar

Cómo funciona Jernihin - Clasificación de calidad del agua

Obtenga la entrada del usuario de la forma HTML en forma de fecal, oxígeno, pH, sedimento, temperatura, nitrógeno, fósforo y turbidez. Estos parámetros se extraen como valores de reemplazo que se predecirán más adelante. El rango de valor es entre 0 y 100 para cada entrada.
Escala la entrada del usuario en la matriz Numpy para inferencia.
Predecir la entrada del usuario utilizando el modelo que se ha realizado. El modelo utilizado es el algoritmo de aprendizaje basado en el conjunto de árboles del conjunto de árboles del bosque aleatorio. Esto devolverá el resultado de una matriz de predicciones del modelo de todas las entradas que se han ingresado.
Etiquetas predictivas de salida en forma de obtener resultados legibles reales. Luego, este valor entero se convierte en una cadena de resultados basada en la etiqueta que coincide con el signo. El resultado de este proceso es una serie de resultados predictivos, como "excelente", "bueno", "justo", "marginal" y "pobre".
El resultado final de la predicción se devuelve a la página de predicción que se mostrará al usuario.

Planes y realización

La planificación de la gestión de riesgos y los posibles problemas que ocurrirán durante el trabajo de este proyecto se llevaron a cabo mediante análisis FODA, a saber, fortalezas, debilidades, oportunidades y amenazas. Este análisis se realizó para mapear e identificar las fortalezas, debilidades, oportunidades y amenazas que podrían ocurrir durante el desarrollo de este proyecto.

Para el documento inicial, se ha realizado un cuadro de Gantt para rastrear el comienzo de la lista acordada de hacer. Se puede ver una tabla de Gantt en ProjectLibre para obtener detalles del horario en el documento de la tabla Gantt en el siguiente enlace de la tabla Gantt, o en la imagen a continuación:

Jernihin Project Gantt Chart

Repositorio y rama

Este repositorio de Jernihin se divide en 2 ramas :

Principal (rama maestra)
La rama main se utiliza como una rama de integración para el desarrollo de la pantalla frontal y el desarrollo del modelo de aprendizaje automático. El plan es utilizar el marco Flask para construir e integrar sitios web y el modelo de aprendizaje automático como un sitio web completo.
Dev (rama de desarrollo)
La rama dev se usa durante el proceso de determinación de los recursos iniciales o se puede llamar un entorno donde probar cosas diferentes para usar en el proyecto para que eventualmente haya encontrado los recursos apropiados, los documentos se trasladen de desarrollo a la rama principal.

Bibliografía

A. conjunto de datos

Amerigeoss Community Platform Datahub
Puntajes de parámetros WQI 1994-2013 conjunto de datos

B. Recursos

Al trabajar en este proyecto, se necesitan varios recursos de proyecto o proyecto.

Idioma
Estructura
Biblioteca
Iconos e imágenes
Despliegue

C. Documentos académicos

[1] H. dijo, NH Matondang y Hn Irmanda, "Sistem Prediksi Kualitas Air Yang Dapat Dikonsumsi Dengan Menerapkan Algoritma K-Nearest Vecin 3, no. 1, pp. 158-168, abril de 2022. Accedido: 12 de octubre de 2022. [En línea]. Disponible: https://conference.upnvj.ac.id/index.php/senamika/article/view/2017
[2] Mhd Barang Dan Sk Saptomo, "Analisis Kualitas Air Pada Jalur Distribusi Air Bersih di Gedung Baru Fakultas Ekonomi Dan Manajemen Institut Pertanian Bogor", Jurnal Teknik Sipil Dan Lingkungan (J-Sil) , vol. 4, no. 1, pp. 13-24, abril de 2019. Accedido: 12 de octubre de 2022. Doi: 10.29244/jsil.4.1.13-24. [En línea]. Aivailable: https://journal.ipb.ac.id/index.php/jsil/article/view/23735

D. Referencias

[3] Gobierno de Terranova y Labrador, " Índice de calidad del agua potable". Gov.nl.ca. https://www.gov.nl.ca/ecc/waterres/quality/drinkingwater/dwqi (consultado el 12 de octubre de 2022).
[4] Nutan, " Implementar el modelo de aprendizaje automático con frasco en Heroku". Medium.com. https://medium.com/@nutanbhogendrasharma/deploy-machine-lelarning-model-with-flask-on-heroku-cd079b692b1d (consultado el 12 de octubre de 2022).
[5] A. Sridhar, " Cómo implementar el modelo de aprendizaje automático usando Flask (IRIS DataSet) | Python". YouTube.com. https://youtu.be/2lqrfezuimk (consultado el 23 de noviembre de 2022).
[6] K. Naik, " Implementar el modelo de aprendizaje automático con Flask". YouTube.com. https://youtu.be/ubcwomf80py (consultado el 23 de noviembre de 2022).