Skip to content

README.md

Latest commit

 

History

History
105 lines (81 loc) · 2.63 KB

README.md

File metadata and controls

105 lines (81 loc) · 2.63 KB
Raw

DriftSense-PM

Descrição

Manual de reprodutibilidade técnica do projecto DriftSense-PM. Este repositório agrega o código, os dados processados e os artefactos necessários para reproduzir o pipeline completo de extração de características, treino de modelos, avaliação factorial, análise estatística e geração de gráficos.

Autores

  • Eduarda Pereira
  • Gonçalo Ferreira
  • Gonçalo Magalhães

Pré-requisitos

  • Sistema operativo Linux (Ubuntu 20.04+ recomendado) ou Raspberry Pi OS.
  • Python 3.10 ou superior.
  • git para obter o código-fonte.
  • conda ou virtualenv para isolamento do ambiente.
  • docker apenas se pretender usar o fluxo de contentorização.

Instalação de dependências

O projecto disponibiliza dependências em env/environment.yml e em env/requirements.txt.

Conda:

conda env create -f env/environment.yml
conda activate driftsense-pm

pip + virtualenv:

python3 -m venv .venv
source .venv/bin/activate
pip install -r env/requirements.txt

Configuração técnica

O ficheiro central é configs/config.yaml. Confirme, pelo menos, os seguintes parâmetros antes de executar a solução:

  • paths.raw_data_dir: origem dos CSV raw.
  • paths.processed_dir: destino dos ficheiros de features.
  • paths.models_dir: destino dos modelos treinados.
  • paths.results_dir: destino de métricas, relatórios e figuras.
  • system.sampling_rate_hz: frequência de amostragem usada no processamento.
  • feature_engineering.window_size e feature_engineering.step_size.

Execução da solução

  1. Ativar o ambiente criado na secção anterior.
  2. Mudar para a pasta dos scripts:
cd scripts
  1. Executar a extracção de features:
python3 feature_engineering.py
  1. Treinar o modelo baseline:
python3 train_baseline_full.py
  1. Executar a avaliação factorial completa:
python3 master_script.py
  1. Gerar análise estatística e tabelas finais:
python3 statistical_analysis.py
  1. Gerar as figuras finais:
python3 generate_thesis_plots.py

Resultados esperados

  • Modelos: models/baseline_model.pkl e models/scaler.pkl.
  • Métricas: results/metrics/.
  • Figuras: results/figures/.
  • Dados processados: data/processed/.

Documentação relacionada