telco-churn-pipeline

Pipeline voor een Telco Customer Churn Machine Learning casus (Data Engineering – LU2).

Doel: een reproduceerbare flow van data → training/evaluatie → model serving (API) → UI/prototype.

Repo: https://github.com/simonklaren/telco-churn-pipeline

---

Repo-structuur

• data/
  Input data (raw/processed) en/of voorbeelden.
• notebooks/
  Training, EDA, feature engineering, modelvergelijking, evaluatie, export van het model.
• ml_service/
  Model serving laag (API). Hier laad je het getrainde model/pipeline en expose je endpoints voor predict/health.
• deploy.sh
  Helper script voor deployment/updates (lokaal of op device/server).

---

Quickstart (lokaal)

1) Repo clonen

git clone https://github.com/simonklaren/telco-churn-pipeline.git

cd telco-churn-pipeline

2. Notebook draaien Open notebooks/ in Jupyter / VSCode en run de training flow. Zorg dat het model artifact dat de API gebruikt gegenereerd is (bijv. een .pkl/.joblib/pipeline bestand). (Er staat al een getrained model in ml_service/models)

3. API starten Ga naar ml_service/ en start de service (hoe precies hangt af van je setup: venv/Docker). Doel: een endpoint waar je een predict-call tegenaan kunt doen.

Voorbeeld request (JSON):

{ "tenure": 12, "Contract": "Month-to-month", "MonthlyCharges": 79.85, "TotalCharges": 958.2, "...": "..." }

Voorbeeld response (concept):

{ "churn": true, "probability": 0.73, "model_version": "v1" }

Deployment notes

• deploy.sh is bedoeld om het uitrollen simpeler te maken (pull + build/restart).

License

MIT (zie LICENSE).