Introduction

Starting from data of Diabetes we’re going to generate the corresponding model that predict a quantitative measure of disease progression one year after baseline. We’re going to use:

...

Introducción

Partiendo de datos de Diabetes vamos a generar el modelo correspondiente que prediga una medida cuantitativa de progresión de la enfermedad un año después de la línea base. Vamos a utilizar

• File Repository sobre MinIO para guardar el conjunto de datos original. Cargaremos el archivo utilizando el módulo Create Entity in Historical Database

• Notebooks module to have a parametric process for get the data from MinIO, train and generate the model and log everything in MLFlow

• Models Manager (MLFlow) for log all the experiment of the notebook and save the model and other files for the training

• Serverless module to create a rest scalable python function that using the model can predict the disease progressionpara tener un proceso paramétrico para obtener los datos de MinIO, entrenar y generar el modelo y registrar todo en MLFlow

• Gestor de Modelos (MLFlow) para registrar todos los experimentos del cuaderno y guardar el modelo y otros archivos para el entrenamiento.

• Módulo Serverless para crear una función python escalable que usando el modelo pueda predecir la progresión de la enfermedad.

Dataset

The information of the diabetes dataset is the following.

...