El repositorio presente usa el dataset presente en el presente link para crear una API desarrollada con FASTAPI que entrega 7 endpoints distintos, siendo el último basado en un modelo de ML encargado de recomendar peliculas teniendo en cuenta la similitud del coseno.

El proyecto usa dos entornos virtuales para su desarrollo, siendo el primero para el archivo main.py, el cual es el encargado de desplegar la API, y el segundo para los jupyter notebooks en los que ocurren procesos de ETL, EDA y ML.

A continuación se presenta una breve descripción de cada archivo .py o .ipynb:

• transform_data.ipynb: Es el archivo encargado de hacer ETL, usa el dataset presentado anteriormente y retorna una tabla principal movies.csv y otras tablas producto de columnas anidadas en el dataset original.

• EDA.ipynb: Aquí se realiza un breve analisís exploratorio de los datos y se ven algunas gráficas al respecto.

• recommender_system.ipynb: Archivo encargado de preprocesar los datos para la creación de un modelo basado en la similitud del coseno.

• main.py: Archivo donde se despliega la API. Aquí se encuentran todos los endpoints y un objeto FastApi.

Para ejecutar correctamente los archivos puede seguir instalar las librerias descritas en "requirements.txt" o "ipynb_requirements.txt."

El proyecto hace uso de las siguientes tecnologías:

• Python: Se utiliza como lenguaje principal de programación. Se emplean diversas librerías, descritas en "requirements.txt".

• Jupyter Notebook: Se utiliza para desarrollar y presentar el proyecto. Los análisis, visualizaciones y conclusiones se presentan en forma de cuadernos interactivos. Se emplean diversas librerías, descritas en "ipynb_requirements.txt".

• FastAPI: Se utiliza como framework de desarrollo web para construir una API que permita el acceso y la interacción con los datos analizados.

• Render: Se utiliza para desplegar la interfaz web y la API de forma sencilla y escalable.