EmpezarEmpieza gratis

Crea un modelo de Pydantic para la entrada de ML

Estás desarrollando una aplicación FastAPI para desplegar un modelo de Machine Learning que predice la puntuación de calidad del café en función de atributos como el aroma, el sabor y la altitud.

El primer paso es crear un modelo de Pydantic para validar los datos de la solicitud de entrada de tu modelo de ML y asegurarte de que solo datos válidos pasen por el modelo para obtener predicciones correctas.

Este ejercicio forma parte del curso

Implementación de IA en producción con FastAPI

Ver curso

Instrucciones del ejercicio

  • Importa la clase base de validación de Pydantic para crear un modelo de datos.
  • Define una clase llamada CoffeeQualityInput que herede de la clase base de Pydantic.
  • Añade tres atributos a la clase: aroma (float), flavor (float) y altitude (int).

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Import the base class from pydantic
from pydantic import ____ 

class CoffeeQualityInput(____):
    # Use apt data type for each attribute of coffee quality
    aroma: ____  
    flavor: ____  
    altitude: ____
Editar y ejecutar código