Jernihin Download - Jernihin Download de código fonte

Jernihin

Dados do site

1.0.0

Baixar

Jernihin

Clique aqui para ver Jernihin .

Tabela de conteúdo

Jernihin
Tabela de conteúdo
Sobre Jernihin
- Fundo
- Objetivo e objetivo
- Instalação e implantação
  - Instalação do projeto para o ambiente virtual pessoal
  - Implantar modelo de aprendizado de máquina com frasco na ferrovia
- Como Jernihin Work - Classificação da qualidade da água
- Planos e realização
- Repositório e ramo
- Bibliografia
  - A. conjunto de dados
  - B. Recursos
  - C. Trabalhos acadêmicos
  - D. Referências
- Apresentação
- Vídeo de demonstração
- Desenvolvedores

Sobre Jernihin

Jernihin é um programa de aprendizado de máquina em um site da Indonésia, que atualmente está sendo desenvolvido por 4 desenvolvedores da equipe SIB3 Capstone C22-078 no programa de aprendizado de máquina e desenvolvedor da Web de front-end por Sib Dicoding x Kampus Merdeka Batch 3 .

Fundo

Um recurso natural que tem um grande potencial para seres vivos e continua a aumentar a cada ano é a água. De acordo com os dados sobre Objetivos de Desenvolvimento Sustentável (ODS), o índice de qualidade da água da Indonésia para 2020 é 53,53, um aumento em relação ao ano anterior [1]. As medições da água podem ser vistas a partir de variáveis químicas, como valor de pH, turbidez, fósforo, nitrogênio, oxigênio e outros que desempenham um papel importante na determinação da qualidade da água. Para descobrir a qualidade da água, precisa ser monitorada regularmente [2].

Um dos esforços para ajudar a estratégia de gerenciamento de recursos hídricos é criar um sistema que possa monitorar a qualidade do teor de água. Com base nos problemas acima, decidimos criar um aplicativo de site usando métodos de aprendizado profundo para prever a qualidade da água de várias variáveis. Espera -se que este aplicativo forneça outra alternativa no gerenciamento e monitoramento da qualidade da água.

Objetivo e objetivo

Com base nos antecedentes descritos acima, o objetivo e o objetivo deste projeto estão:

Este site tem como objetivo ajudar a comunidade como utilitária para ajudar a decidir e determinar a qualidade da água. Espera -se que esse recurso ajude a um melhor gerenciamento de recursos hídricos.
Jernihin tem um recurso que pode ajudar as pessoas a identificar a qualidade da água com base no conteúdo da água que consiste em fecal, oxigênio, pH, sedimento, temperatura, nitrogênio, fósforo e turbidez. Esse recurso deve poder ajudar seus usuários a mapear e identificar a qualidade da água.

Instalação e implantação

Esta etapa será explicada brevemente em duas etapas, consistindo em:

Crie a estrutura do Flask no projeto
Processo de hospedagem para ferrovias

Instalação do projeto para o ambiente virtual pessoal

As etapas para criar seu ambiente virtual a partir deste projeto são as seguintes:

Clone este repositório

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

Instale o ambiente virtual do Python
```
virtualenv venv
```
Instale todos os requisitos dentro de "requisitos.txt"
```
pip install -r requirements.txt
```

Importar Flask App & Run Server

 export FLASK_APP=app.py
flask run

ou

python app.py

Pare o programa de aplicativos ou servidor por ctrl + c .

Implantar modelo de aprendizado de máquina com frasco na ferrovia

Faça login na conta ferroviária com e -mail ou github acoount
Crie um novo projeto
Escolha a implantação do repo Github
Escolha o projeto RESPOSIÁRIO que você deseja implantar

Como Jernihin Work - Classificação da qualidade da água

Obtenha a entrada do usuário da forma HTML na forma de fecal, oxigênio, pH, sedimento, temperatura, nitrogênio, fósforo e turbidez. Esses parâmetros são extraídos como valores de reposição que serão previstos posteriormente. O intervalo de valor está entre 0 e 100 para cada entrada.
Escala a entrada do usuário para a matriz Numpy para inferência.
Preveja a entrada do usuário usando o modelo que foi feito. O modelo usado é o algoritmo de aprendizado baseado em árvores baseado em árvores. Isso retornará o resultado de uma variedade de previsões de modelo de todas as entradas que foram inseridas.
Rótulos preditivos de saída na forma de obter resultados legais reais. Em seguida, esse valor inteiro é convertido em uma sequência de resultados com base no rótulo que corresponde ao sinal. O resultado desse processo é uma série de resultados preditivos, como "Excelente", "Good", "Fair", "Marginal" e "Poor".
O resultado da previsão final é retornado à página de previsão a ser exibida ao usuário.

Planos e realização

O planejamento do gerenciamento de riscos e possíveis problemas que ocorrerão durante o trabalho deste projeto foram realizados usando análise SWOT, ou seja, forças, fraquezas, oportunidades e ameaças. Essa análise foi realizada para mapear e identificar os pontos fortes, fracos, oportunidades e ameaças que podem ocorrer durante o desenvolvimento deste projeto.

Para o documento inicial, foi feito um gráfico de Gantt para rastrear o início da lista acordada. Fazendo um gráfico de Gantt feito no ProjectLibre para obter detalhes do cronograma pode ser visto no documento do gráfico de Gantt no seguinte link de gráfico de Gantt, ou na imagem abaixo:

Jernihin Project Gantt Gráfico

Repositório e ramo

Este repositório de Jernihin é dividido em 2 ramos :

Principal (ramo principal)
A filial main é usada como uma filial de integração para desenvolvimento de exibição de front -end e desenvolvimento do modelo de aprendizado de máquina. O plano é usar a estrutura do Flask para criar e integrar sites e modelo de aprendizado de máquina como um site inteiro.
Dev (ramo de desenvolvimento)
A filial dev é usada durante o processo de determinação dos recursos iniciais ou pode ser chamada de ambiente em que tentar coisas diferentes a serem usadas no projeto, para que, quando você encontrar os recursos apropriados, os documentos serão movidos do Dev para o ramo principal.

Bibliografia

A. conjunto de dados

Datahub da plataforma comunitária Amerigeoss
Pontuações de parâmetros WQI 1994-2013 conjunto de dados

B. Recursos

Ao trabalhar neste projeto, vários recursos do projeto ou projeto são necessários recursos.

Linguagem
Estrutura
Biblioteca
Ícones e imagens
Implantação

C. Trabalhos acadêmicos

[1] H. disse, NH Matondang e Hn Irmanda, "Sistem Prediksi Kualitas Air Yang Dapat Dikonsumsi Dengan Menerapkan Algoritma K-Near Vizer," Seminar Nasional Mahasiswa Ilmu Komputer Dan Aplikasinya (Senamika) , Vol. 3, não. 1, pp. 158-168, abril de 2022. Acessado: 12 de outubro de 2022. [Online]. Disponível: 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 Instituto Pertânia Bogor, Jurnal Teknik Sipil Dan Lingkungan (J-Sil) , vol. 4, não. 1, pp. 13-24, abril de 2019. Acessado: 12 de outubro de 2022. doi: 10.29244/jsil.4.1.13-24. [On-line]. AVALABLE: https://journal.ipb.ac.id/index.php/jsil/article/view/23735

D. Referências

[3] Governo de Terra Nova e Labrador, " Índice de Qualidade da Água Potável". Gov.nl.ca. https://www.gov.nl.ca/ecc/waterres/quality/drinkwaterwater/dwqi (acessado em 12 de outubro de 2022).
[4] Nutan, " Implante o modelo de aprendizado de máquina com o Flask no Heroku". Medium.com. https://medium.com/@nutanbhogendrasharma/deploy-machine-learning-model-with-flask-on-heroku-cd079b692b1d (acessado em 12 de outubro de 2022).
[5] A. Sridhar, " Como implantar o modelo de aprendizado de máquina usando o Flask (conjunto de dados da IRIS) | Python. " YouTube.com. https://youtu.be/2lqrfezuimk (acessado em 23 de novembro de 2022).
[6] K. Naik, " Implante o modelo de aprendizado de máquina usando o Flask". YouTube.com. https://youtu.be/ubcwomf80py (acessado em 23 de novembro de 2022).