O objetivo do projeto é fazer um modelo de predição que possa dizer através de um conjunto de dados, se uma sala está ou não ocupada.
A estrutura do projeto é baseada no template da Azure TDSP (Processo de Ciência de Dados de Equipe) que é uma metodologia de ciência de dados ágil e iterativa que fornece com eficiência soluções de análise preditiva e de aplicativos inteligentes.
- Necessário ter o python instalado juntamente com o Jupyter Notebook para facilitar a visualização dos dados e gráficos.
- Para rodar o projeto primeiramente é necessário rodar o script
data_prep.ipynbque se encontra em:Code/DataPrep/data_prep.ipynbpara que ele possa fazer as preparações dos dados. - Para fazer o upload dos dados para a AWS é necessário rodar o script
upload_aws.pyque se encontra em:Code/Operationalization/upload_aws.py.
- Necessário ter o python instalado juntamente com o Jupyter Notebook para facilitar a visualização dos dados e gráficos.
- Primeiramente é necessário fazer os procedimentos contidos no arquivo
README.mdna pastaData/Modeling, para que obtenha os dados que serão utilizados no modelo. - Após adiquirir os dados, basta rodar o script
facebook_prophet.ipynbcontido na pastaCode/Model/.
- Necessário ter o python instalado juntamente com o Jupyter Notebook para facilitar a visualização dos dados e gráficos.
- É necessário fazer os procedimentos contidos no arquivo
ReadMe.mdna pastaData/Modeling. - Após colocar os dados que será utilizado para o modelo na pasta
Data/Modeling, basta rodar o scriptdevice_shadow.pylocalizado emCode/Operationalization/.