Skip to content

README.md

Latest commit

 

History

History
125 lines (96 loc) · 2.84 KB

README.md

File metadata and controls

125 lines (96 loc) · 2.84 KB

🎬 MVP Netflix IQ

Sistema inteligente de classificação e recomendação de títulos da Netflix com aplicação Full Stack.

📌 Funcionalidades

  • Classifica se um título é Filme ou Série
  • Recomenda títulos similares com base em conteúdo (elenco, país e categorias)
  • Aplicação Full Stack (Flask + HTML/CSS com Bootstrap)
  • Testes automatizados com PyTest
  • Documentação da API com Swagger

🚀 Tecnologias utilizadas

  • Python (Flask, Scikit-learn, Pandas, NumPy)
  • Bootstrap 5
  • PyTest
  • Swagger

🧠 Modelo de Machine Learning

  • Classificação com:
    • KNN
    • Decision Tree
    • Naive Bayes
    • SVM
  • Pipeline de pré-processamento
  • Otimização de hiperparâmetros com GridSearchCV(que por baixo dos panos usa cross_val_score)
  • Avaliação com cross-validation
  • Sistema de recomendação baseado em similaridade de cosseno usando TF-IDF

📂 Estrutura do projeto

mvp-netflix-iq/
├── api/                  # Back-end Flask
│   ├── app.py
│   └── MachineLearning/  # Machine Learning
│       ├── models/
│       ├── notebook/
│       └── test/
├── web/                  # Front-end com Bootstrap
│   ├── index.html
│   └── script.js
├── .gitignore
└── README.md

📥 Download dos Modelos (.pkl)

Para que a aplicação funcione corretamente, é necessário ter os arquivos .pkl gerados pelo processo de machine learning.

🔗 1. Faça o download dos modelos prontos

Acesse o link abaixo para baixar os arquivos já treinados:

➡️ Google Drive - Modelos treinados (.pkl)

📂 2. Coloque os arquivos no diretório correto

Após o download, mova todos os arquivos .pkl para o seguinte diretório:

api/MachineLearning/models

⚙️ Alternativa: Gerar os modelos executando os notebooks

Se preferir (ou quiser treinar novamente), você pode executar os notebooks disponíveis no projeto. Eles irão:

  • Treinar os modelos do zero;
  • Exportar automaticamente os arquivos .pkl para a pasta models.

📦 Instalação e execução

  1. Crie e ative o ambiente virtual.

Windows

python -m venv venv
venv\Scripts\activate

macOS/Linux

python -m venv venv
source venv/bin/activate
  1. Entre no diretório do back-end
cd api/
  1. Instale as dependências
pip install -r requirements.txt
  1. Inicie o servidor
python app.py

🧪 Testes automatizados

Testes com PyTest para verificar a acurácia mínima do modelo antes do deploy.

  1. Instale o PyTest (caso ainda não tenha)
pip install pytest
  1. Execute os testes
cd api/MachineLearning/test
pytest test_modelo.py