Ваш помошник в автоматизации и сопоставлении товаров в вашей базе данных (далее БД) с использовванием высокотехнологичного машинного обучения.
https://prediction-service.ddns.net/
https://prediction-service.ddns.net/api/swagger/
PROSEPT MATCHING - это веб-приложение, которое поможет специалистам быстро и эффективно сопоставлять товары производителя с товарами дилеров в БД и вести удобную статистику.
В процессе разработки проекта были реализованы:
- интуитивно понятный интерфейс;
- предварительный анализ данных и машиннное обучение;
- удобное хранение и работа с записями в БД.
PROSEPT MATCHING разработан с использованием следующих технологий:
- Python (v.3.11) - целевой язык программирования backend;
- Django (v.4.2) - высокоуровневый веб-фреймворк;
- Django REST framework (v.3.14) - инструмент для создания Web API;
- PostgreSQL (v.13.10) - объектно-реляционная база данных;
- Celery (v.5.3) - распределенная очередь задач;
- Redis (v.5.0) - резидентная система управления NoSQL базами данных, брокер сообщений Celery;
- PyJWT (v.2.8) - плагин, предоставляющий JSON Web Token аутентификацию для Django REST Framework, разработанную в соответствии со стандартом RFC 7519;
- Gunicorn (v.21.2) - Python WSGI HTTP-сервер для UNIX;
- Nginx - HTTP-сервер и обратный прокси-сервер;
- Docker (v.24.0) - инструмент для автоматизирования процессов разработки, доставки и запуска приложений в контейнерах.
- JavaScript (v.1.8) - целевой язык программирования frontend;
- React (v.18.2) - библиотека JavaScript для разработки пользовательских интерфейсов (UI) веб-приложений;
- React Router (v.6.15) - библиотека React для маршрутизации страниц;
- Redux (v.8.1) - библиотека управления состоянием JavaScript приложений;
- HTML5 - целевой язык для структурирования и представления;
- CSS3 - целевой язык декорирования и описания внешнего вида документа (веб-страницы).
- [Pandas] - программная библиотека на языке Python для обработки и анализа данных;
- [Numpy] - библиотека предназначенная для работы с многомерными массивами;
- [Nltk] - пакет библиотек и программ для символьной и статистической обработки естественного языка, написанных на языке программирования Python;
- [Faiss] - разработка команды Facebook AI Research для быстрого поиска ближайших соседей и кластеризации в векторном пространстве;
- [Sklearn] - библиотека, предназначенная для машинного обучения;
- [Spacy] - программная библиотека с открытым исходным кодом для расширенной обработки естественного языка.
✅ Создать корневую папку с проектом (предлагается "hakaton") и перейти в неё
mkdir hakaton
cd hakaton
✅ Загрузить актуальные версии frontend и backend
git clone git@github.com:Prosept-4/frontend.git
git clone git@github.com:Prosept-4/backend_Django.git
✅ Перейти в папку backend
cd backend_Django/
✅ Создать файл переменных окружения из примера
cp .env.example .env
✅ Изменить переменные окружения (если необходимо) (!согласуйте DB_HOST с настройками в docker-compose сборке!)
(на примере редактора Nano)
nano .env
✅ Перейти в корневую папку backend
cd ..
✅ Запустить Docker (убедитесь, что docker daemon запущен в системе!)
docker-compose up --build
✅ Проверить доступность проекта на
http://localhost:8000/
✅ Документация доступна на
http://localhost:8000/api/swagger/
MIT