F

fastapi

Simple ML Project using regression models and KMeans clustering to predict Y from A and B, classify results, and expose predictions through a FastAPI API.

API FastAPI permettant d’identifier des espèces de pingouins à partir de données tabulaires optionnelles et/ou d’une image.

L’API renvoie une liste d’espèces probables avec leurs probabilités et inclut :

Classification Machine Learning (RF, KNN, LR) Fusion multimodale (tabulaire + image) Journalisation des requêtes/réponses (SQLite) Interface web pour consulter les logs Interface web pour tester les prédictions Notebooks pour exploration et entraînement

Projet réalisé dans le cadre de la formation Développeur en Intelligence Artificielle (Simplon).

Prédiction de la gravité des accidents de la route à partir des données BAAC (ONISR). Projet de data science combinant exploration, modélisation (LightGBM), API FastAPI et interface Streamlit.

This project is designed to analyze text for the presence of sarcasm. It uses machine learning models to classify input text and determine whether it contains sarcasm.

The project utilizes the following technology stack:

FastAPI - for creating the API interface and handling requests Docker - for packaging the application and its dependencies into a container Machine learning models for text sarcasm classification

Project for VTU result analysis, extraction and visualisations.

Simulation of a real hospital scenario with a ML model in production

Train YOLOv5 for breed classification on Oxford Pets III dataset from scratch on Google Colab, and serve through Dockerized implementation of a flask-based HTML/JS frontend and an asynchronous API service on FastAPI. Use of MLFlow for logging.