Dokumentacja prezentuje API do predykcji cukrzycy zaimplementowane za pomocą FastAPI. API łączy w sobie modele uczenia maszynowego do predykcji cukrzycy, uwierzytelnianie użytkowników oraz zarządzanie danymi.

• FastAPI: Nowoczesny framework do tworzenia API.
• Pandas: Biblioteka do analizy i manipulacji danymi.
• Scikit-learn: Biblioteka do uczenia maszynowego.
• Keras: API do głębokiego uczenia.
• Keras Tuner: Narzędzie do dostrajania hiperparametrów dla modeli Keras.
• Dotenv: Zarządzanie zmiennymi środowiskowymi.
• Joblib: Biblioteka do serializacji.

1. Konfiguracja FastAPI: Używa FastAPI, middleware CORS dla zapytań cross-origin oraz zarządzania zmiennymi środowiskowymi.

2. Zarządzanie Bazą Danych: Wykorzystuje DatabaseManager do operacji na bazie danych.

3. Autentykacja: Używa tokenów JWT do bezpiecznego uwierzytelniania użytkowników.

4. Endpoint Trenowania Modelu (/train):

   • Trenuje model regresji logistycznej oraz sieć neuronową przy użyciu przesłanych danych.
   • Używa Keras Tuner do optymalizacji hiperparametrów.
   • Zapisuje najlepszy model.

5. Endpoint Predykcji (/predict):

   • Ładuje wytrenowany model.
   • Przewiduje status cukrzycy na podstawie podanych cech.

6. Endpoint Pobierania Danych (/data): Dostarcza reprezentację HTML danych o cukrzycy.

7. Rejestracja Użytkownika (/signup): Rejestruje nowych użytkowników.

8. Logowanie (/login): Uwierzytelnia użytkowników i dostarcza tokeny dostępu i odświeżania.

9. Szczegóły Użytkownika (/me): Pobiera szczegóły zalogowanego użytkownika.

• Regresja Logistyczna: Używana do początkowej predykcji.
• Sieć Neuronowa: Sekwencyjny model z warstwami gęstymi. Architektura jest optymalizowana za pomocą Keras Tuner.

• Używa JWT do bezpiecznej autentykacji opartej na tokenach.
• Szyfrowanie haseł dla bezpiecznego przechowywania i weryfikacji.

• W projekcie użyta została baza danych SQLite
• Baza danych zawiera 3 tabele
  • diabetes - zawiera dane do szkolenia modelu
  • patients - zawiera informacje o pacjencie oraz jego historię predykcji
  • doctors - zawiara listę kont wraz z zaszyfrowanymi hasłami algorytmem bcrypt
• Wszystkie table (łącznie z nazwą tabeli i kolumn) są zaszyfrowane algorytmemt md5 używając funkcji hashującej SHA512 dzięki bibliotece SQLCipher

• Wstawianie i pobieranie danych o cukrzycy.
• Rejestracja użytkowników i autentykacja.

• Definiuje modele danych użytkownika do rejestracji, uwierzytelnienia i reprezentacji wyników.

1. Trenowanie Modelu:

   • Endpoint: /train
   • Metoda: POST
   • Wymaga uwierzytelnionego użytkownika.
   • Przesyłanie zbioru danych o cukrzycy do treningu.

2. Wykonywanie Predykcji:

   • Endpoint: /predict
   • Metoda: POST
   • Wymaga wytrenowanego modelu i uwierzytelnionego użytkownika.

3. Pobieranie Danych:

   • Endpoint: /data
   • Metoda: GET
   • Wymaga uwierzytelnionego użytkownika.

4. Rejestracja Użytkownika:

   • Endpoint: /signup
   • Metoda: POST

5. Logowanie Użytkownika:

   • Endpoint: `/

• pip install -r requirements.txt
• uvicorn app:app --reload
• http://127.0.0.1:8000/docs#/ <- testowanie endpointów

• npm run dev

• endointy train i predict
• /predict nie tworzy nic, zwraca json {"predict": int }

curl -X 'POST' \
 'http://127.0.0.1:8000/predict' \
 -H 'accept: application/json' \
 -H 'Content-Type: application/json' \
 -d '{
 "pregnancies": 0,
 "glucose": 0,
 "blood_pressure": 0,
 "skin_thickness": 0,
 "insulin": 0,
 "bmi": 0,
 "diabetes_pedigree_function": 0,
 "age": 0
}'

• /train nie zwraca nic, bierze plik diabetes.csv, tworzy plik diabetes_model.joblib

curl -X 'POST' 'http://127.0.0.1:8000/train'  -H 'accept: application/json' -d ''

odpalamy aplikację jak ^ uruchamiamy komendę:

python3 ./tests/test.py