creditcardfraud

for Datalab

notebooks

EDA.ipynb: Um rápido análise dos dados fornecidos, dado que as classes não são balanceadas métricas como accuracy são substituidas por f1-score.
Train and hyperparameter tuning .ipynb: Com a finalidade de rodar varios algoritmos con diferentes parametros fue usado o GridSearch para salvar o melhor modelo o qual será usado posteriormente para fazer as predições.
Batch prediction with prefect.ipynb: Para a previsão em batch foi adotada a biblioteca prefect com a finalidade de executar a tarefa de predição periódicamente
Online prediction client.ipynb: Para a previsão online foi implementado uma API utilizando Flask como server que fica ativo esperando os requests
Online Prediction Server.ipynb: Para fazer o request foi usado Flask também.
requirements.txt: lista de requerimentos

Name		Name	Last commit message	Last commit date
Latest commit History 29 Commits
.github/workflows		.github/workflows
model		model
Batch prediction with prefect.ipynb		Batch prediction with prefect.ipynb
Online Prediction Server.ipynb		Online Prediction Server.ipynb
Online prediction client.ipynb		Online prediction client.ipynb
README.md		README.md
Rapid EDA.ipynb		Rapid EDA.ipynb
Train and hyperparameter tuning .ipynb		Train and hyperparameter tuning .ipynb
best_gs_pipeline.pkl		best_gs_pipeline.pkl
output_data.csv		output_data.csv
requirements.txt		requirements.txt
test.csv		test.csv
test.py		test.py