README.md

@@ -8,15 +8,9 @@
 ](https://www.kaggle.com/datasets/vijayaadithyanvg/car-price-predictionused-cars/data) —
 продажа подержанных автомобилей на рынке в Индии.
 
-## Сервис предсказания цен
+## Установка
 
-См. `services/ml_service.md`.
-
-## Исследовательская часть проекта
-
-### Установка
-
-#### Общий порядок
+### Общий порядок
 
 **Внимание**: Здесь описан только общий порядок установки. Определённые части проекта могут требовать установки по отдельным инструкциям.
 
@@ -53,13 +47,13 @@
 
 5. **При необходимости** скачайте данные. Каноническое расположение для данных проекта: `data/`.
 
-#### Зависимости
+### Зависимости
 
-##### Общие зависимости
+#### Общие зависимости
 
 Зависимости — пакеты Python — записаны в файле `requirements/requirements.txt` (см. **Пакеты Python**).
 
-##### Пакеты Python
+#### Пакеты Python
 
 Установка/обновление пакетов Python в активное окружение из файла `requirements/requirements.txt`:
 
@@ -67,10 +61,10 @@
 pip install -U -r requirements/requirements.txt
 ```
 
-### Разведочный анализ данных (EDA)
+## Разведочный анализ данных (EDA)
 
 См. `eda/README.md`.
 
-### Исследование и настройка предсказательной модели
+## Исследование и настройка предсказательной модели
 
 См. `research/README.md`.

run_mlflow_server.ps1

@@ -6,7 +6,7 @@ $DEFAULT_ARTIFACT_ROOT = "./mlflow/mlartifacts/"
 
 $MLFLOW_PORT = if ($env:MLFLOW_PORT) { $env:MLFLOW_PORT } else { 5000 }
 
-New-Item -ItemType Directory -Force -Path $DEFAULT_ARTIFACT_ROOT | Out-Null
+New-Item -ItemType Directory -Force -Path $DEFAULT_ARTIFACTS_ROOT | Out-Null
 
 & mlflow server `
     --backend-store-uri="$BACKEND_URI" `

services/ml_service/Dockerfile

@@ -1,11 +1,10 @@
 FROM python:3.11-slim
 
-WORKDIR /service
+WORKDIR /
 
-COPY ./requirements.txt .
-RUN pip install --no-cache-dir -r requirements.txt
+COPY . /service
 
-COPY . .
+RUN pip install --no-cache-dir -r /service/requirements.txt
 
 VOLUME /models
 
@@ -13,7 +12,9 @@ EXPOSE 8000/tcp
 
 ENV MODELS_PATH=/models
 
+WORKDIR /service
+
 CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "8000"]
 
-# docker build -t ml_service:1 services/ml_service/
-# docker run -v "$(pwd)/services/models:/models" -p 8000:8000 ml_service:1
+# docker build -t ml_service services/ml_service/
+# docker run -v "$(pwd)/services/models:/models" -p 8000:8000 ml_service

services/ml_service/README.md

@@ -1,71 +0,0 @@
-# Сервис предсказания цен
-
-Веб-сервис предсказания цен на подержанные автомобили; только stateless API. Об используемой предсказательной модели см. `research/README.md`.
-
-## API
-
-**Базовый URL**: `/api`. Все указанные далее URL записаны **относительно базового URL**, если не указано иное.
-
-* Полная интерактивная документация (Swagger UI): `/docs`.
-
-* Предсказать цену подержанного автомобиля: `/predict`.
-
-  Пример запроса:
-
-  * requst query: `item_id=16` (параметр `item_id` необходим!);
-
-  * request body:
-
-    ```json
-    {
-        "selling_price": 5.59,
-        "driven_kms": 27000.0,
-        "age": 5.0,
-        "fuel_type": "petrol",
-        "selling_type": "dealer",
-        "transmission_type": "manual"
-    }
-    ```
-
-  * response body:
-
-    ```json
-    {
-        "item_id": 16,
-        "price": 3.743508852258851
-    }
-    ```
-
-* Тестовый эндпоинт: `/`
-
-  Возвращает простой демонстрационный объект JSON.
-
-  Может использоваться для проверки состояния сервиса.
-
-## Развёртывание
-
-### Файл модели
-
-Файл используемой предсказательной модели `model.pkl` можно извлечь из MLFlow скриптом `services/models/fetch_model_as_pickle_from_mlflow.py`. Файл модели можно разместить в директории проекта, а именно в `services/models/`.
-
-Например, извлечь модель по имени (`<model-name>`) и версии (`<model-version>`) (например, `UsedCardPricePredictionFinal/1`) (команда запускается из корневой директории проекта &mdash; от этого зависит путь к создаваемому файлу):
-
-    python services/models/fetch_model_as_pickle_from_mlflow.py --model "models:/<model-name>/<model-version>" services/models/model.pkl
-
-Можно указать адрес tracking сервера MLFlow, например: `--tracking-uri "http://localhost:5000"`.
-
-Информация о других опциях доступна:
-
-    python services/models/fetch_model_as_pickle_from_mlflow.py --help
-
-### Образ Docker
-
-Сборка образа (замените `<version>` на номер версии) (команда запускается из корневой директории проекта &mdash; от этого зависит путь к директории):
-
-    docker build -t ml_service:<version> services/ml_service/
-
-Запуск образа (замените `<version>` на номер версии образа, `<models-dir>` на **абсолютный** путь к директории, где размещён файл предсказательной модели `model.pkl`, `<port>` на порт для запуска веб-сервиса (например, `8000`)):
-
-    docker run -v "<models-dir>:/models" -p <port>:8000 ml_service:<version>
-
-Модель может быть размещена в директории проекта; тогда, например, при запуске команды из корна проекта: `$(pwd)/services/models` (здесь `$(pwd)` используется потому, что необходим абсолютный путь).