Скачать Jernihin - загрузка исходного кода Jernihin

Jernihin

Данные веб-сайта

1.0.0

Скачать

Джернихин

Нажмите здесь, чтобы просмотреть Джернихин .

Таблица контента

Джернихин
Таблица контента
О Джернихине
- Фон
- Цель и цель
- Установка и развертывание
  - Установка проекта в личную виртуальную среду
  - Развернуть модель машинного обучения с колкой на железной дороге
- Как работает Джернихин - классификация качества воды
- Планы и реализация
- Репозиторий и филиал
- Библиография
  - A. Набор данных
  - Б. Ресурсы
  - C. Академические документы
  - D. Ссылки
- Презентация
- Демо -видео
- Разработчики

О Джернихине

Jernihin -это программа машинного обучения на индонезийском веб-сайте, которая в настоящее время находится в процессе разработки 4 разработчиками из команды SIB3 Capstone C22-078 в программе машинного обучения и интерфейса веб-разработчиков SIB DiCoding X Kampus Merdeka Batch 3 .

Фон

Природный ресурс, который имеет большой потенциал для живых существ и продолжает расти с каждым годом, - это вода. Согласно данным о целях устойчивого развития (ЦУР), индекс качества воды в Индонезии за 2020 год составляет 53,53, что увеличивается по сравнению с предыдущим годом [1]. Измерения воды можно увидеть из химических переменных, таких как значение pH, мутность, фосфор, азот, кислород и другие, которые играют важную роль в определении качества воды. Чтобы узнать, качество воды нужно регулярно контролировать [2].

Одним из попыток помочь стратегии управления водными ресурсами является создание системы, которая может контролировать качество содержания воды. Основываясь на задачах выше, мы решили создать приложение веб -сайта, используя методы глубокого обучения для прогнозирования качества воды из нескольких переменных. Ожидается, что это приложение предоставит еще одну альтернативу в управлении и мониторинге качества воды.

Цель и цель

Основываясь на фоне, описанном выше, цель и цель этого проекта:

Этот веб -сайт направлен на то, чтобы помочь сообществу в качестве утилиты, чтобы помочь решить и определить качество воды. Ожидается, что эта функция поможет в лучшем управлении водными ресурсами.
Джернихин имеет особенность, которая может помочь людям идентифицировать качество воды на основе содержания в воде, которое состоит из фекальной, кислорода, pH, осадка, температуры, азота, фосфора и мутности. Эта функция должна быть в состоянии помочь своим пользователям отображать и определять качество воды.

Установка и развертывание

Этот шаг будет объяснен кратко через два этапа, состоящие из:

Создайте фланк
Процесс хостинга на железную дорогу

Установка проекта в личную виртуальную среду

Шаги по созданию вашей виртуальной среды из этого проекта следующие:

Клонировать это хранилище

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

Установить виртуальную среду Python
```
virtualenv venv
```
Установите все требования внутри «Требования.
```
pip install -r requirements.txt
```
Приложение Import Flask и сервер запуска
```
 export FLASK_APP=app.py
flask run
```
или
```
python app.py
```
Остановите прикладную программу или сервер ctrl + c

Развернуть модель машинного обучения с колкой на железной дороге

Войти в учетную запись железной дороги с помощью электронной почты или GitHub Acoount
Создать новый проект
Выберите Deploy Form Github Repo
Выберите респо -проект, который вы хотите развернуть

Как работает Джернихин - классификация качества воды

Получите пользовательский ввод из формы HTML в форме фекального, кислорода, pH, осадка, температуры, азота, фосфора и мутности. Эти параметры извлекаются в виде значений замены, которые будут предсказаны позже. Диапазон значений составляет от 0 до 100 для каждого входа.
Масштабируйте пользовательский ввод в массив Numpy для вывода.
Прогнозируйте ввод пользователя, используя модель, которая была сделана. Используемая модель-это алгоритм обучения на основе дерева на основе дерева, основанный на деревьях леса. Это вернет результат массива модельных прогнозов от всех введенных входов.
Выходные прогнозирующие этикетки в форме получения реальных разборчивых результатов. Затем это целочисленное значение преобразуется в строку результата на основе метки, которая соответствует знаку. Результатом этого процесса является серия прогнозных результатов, таких как «превосходные», «хорошие», «честные», «маргинальные» и «бедные».
Окончательный результат прогнозирования возвращается на страницу прогноза, которая будет отображаться пользователю.

Планы и реализация

Планирование управления рисками и возможные проблемы, которые возникнут во время работы этого проекта, было выполнено с использованием SWOT -анализа, а именно сильные стороны, слабые стороны, возможности и угрозы. Этот анализ был проведен, чтобы отобразить и определить сильные стороны, слабые стороны, возможности и угрозы, которые могут возникнуть во время разработки этого проекта.

Для первоначального документа была создана диаграмма Gantt для отслеживания начала согласованного списка. Создание диаграммы Gantt, сделанной на ProjectLibre для получения подробной информации о расписании, можно увидеть в документе Гантта по следующей ссылке Гантта или на изображении ниже:

Диаграмма проекта Джернихин Гантт

Репозиторий и филиал

Этот репозиторий Джернихин разделен на 2 ветви :

Главный (главная ветвь)
main ветвь используется в качестве интеграционной ветви для разработки фронтального дисплея и разработки модели машинного обучения. План состоит в том, чтобы использовать флажок для создания и интеграции веб -сайтов и модели машинного обучения в целом веб -сайте.
dev (филиал развития)
Ветвь dev используется в процессе определения начальных ресурсов или ее можно назвать средой, где можно попробовать разные вещи, которые можно использовать в проекте, так что в конечном итоге, когда вы нашли соответствующие ресурсы, документы будут перемещены из DEV в основную филиал.

Библиография

A. Набор данных

Amerigeoss Community Platform DataHub
Оценка параметров WQI 1994-2013

Б. Ресурсы

При работе над этим проектом необходимы несколько ресурсов проекта или проекта.

Язык
Рамки
Библиотека
Значки и изображения
Развертывание

C. Академические документы

[1] Х. сказал, NH Matondang и Hn Irmanda, "Sistem Prideksi Kualitas Air Yang Dapat Dikonsumsi Dengan Algoritma k-outeste gevest, семинар Nasional Mahasiswa Ilmu Komputer Dan Aplikasinya (Senamika) , Vol. 3, нет. 1, с. 158-168, апрель 2022 г. Доступ: 12 октября 2022 года. [Онлайн]. Доступно: 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) , вып. 4, нет. 1, с. 13-24, апрель 2019 г. Доступ: 12 октября 2022 года. DOI: 10.29244/jsil.4.1.13-24. [Онлайн]. Aivailable: https://journal.ipb.ac.id/index.php/jsil/article/view/23735

D. Ссылки

[3] Правительство Ньюфаундленда и Лабрадора, « Индекс качества питьевой воды». Gov.nl.ca. https://www.gov.nl.ca/ecc/waterres/quality/dringwater/dwqi (по состоянию на 12 октября 2022 г.).
[4] Нутан, « Развертывание модели машинного обучения с колкой на Heroku». Medium.com. https://medium.com/@nutanbhogendrasharma/deploy-machine-learning-model-with-flask-on-heroku-cd079b692b1d (по состоянию на 12 октября 2022 года).
[5] A. Sridhar, « Как развернуть модель машинного обучения с помощью Flask (набор данных Iris) | Python. » YouTube.com. https://youtu.be/2lqrfezuimk (по состоянию на 23 ноября 2022 г.).
[6] К. Найк, « Развертывание модели машинного обучения с использованием колбы». YouTube.com. https://youtu.be/ubcwomf80py (по состоянию на 23 ноября 2022 г.).