Churn Prediction - Model Deployment

Wdrożenie modelu predykcji odejść klientów do produkcji

📋 Opis Projektu

Czwarty krok serii Churn Prediction. Skupia się na deployment modelu: serializacja, API, monitoring i serving.

🎯 Cel

• Deployment modelu do produkcji
• REST API dla predykcji
• Batch predictions dla całej bazy klientów
• Monitoring modelu w realnym świecie

� Jupyter Notebooks

• Train Notebook

  Training pipeline: preprocessing, model training i serializacja.

• Predict Notebook

  Prediction pipeline: loading model i batch predictions.

• GitHub Repository

�🛠️ Technologie

• Flask/FastAPI - REST API
• Docker - konteneryzacja
• Pickle/Joblib - serializacja modelu
• MLflow - tracking i registry

📊 Architecture

User Request → API Endpoint → Load Model → Preprocess → Predict → Return JSON

🚀 Features

1. REST API z endpointem /predict
2. Batch predictions dla CSV
3. Model versioning
4. Health checks
5. Logging i monitoring

📈 Deployment Process

1. Serializacja modelu (pickle)
2. Utworzenie API (FastAPI)
3. Dockerization
4. CI/CD pipeline
5. Cloud deployment (AWS/Azure/GCP)

---

Status: ✅ Ukończony
Część serii: 4/5 Churn Prediction
Tech Stack: FastAPI + Docker