Universidad ICESI - Maestría en Ciencia de Datos

Procesamiento Distribuido de Datos Mayo 2025

Integrantes:

• Raul Echverry
• Arlex Pino
• Esteban Ordoñez
• Fabian Salazar Figueroa

API de Predicción del Titanic

Este proyecto expone un modelo de predicción de supervivencia en el Titanic como un servicio API utilizando FastAPI y Uvicorn, containerizado con Docker.

Estructura del Proyecto

├── app/
│   ├── api/
│   │   ├── __init__.py
│   │   └── endpoints.py
│   ├── models/
│   │   ├── __init__.py
│   │   └── titanic_model.py
│   ├── __init__.py
│   └── main.py
├── Dockerfile
└── requirements.txt

Funcionalidades

• API RESTful para predecir la supervivencia de pasajeros del Titanic
• Modelo de predicción basado en RandomForest
• Documentación automática de la API con Swagger UI
• Containerización con Docker

Instrucciones de Uso

Construcción de la Imagen Docker

docker build -t titanic-predictor-api .

Ejecución del Contenedor

docker run -p 8000:8000 titanic-predictor-api

Acceso a la API

Una vez que el contenedor está en ejecución, puedes acceder a:

• Documentación de la API: http://localhost:8000/docs
• Endpoint de verificación de salud: http://localhost:8000/api/v1/health
• Endpoint de predicción: http://localhost:8000/api/v1/predict (POST)

Ejemplo de Uso

Puedes hacer una predicción enviando una solicitud POST al endpoint /api/v1/predict con los siguientes datos:

{
  "Pclass": 3,
  "Sex": "male",
  "Age": 22.0,
  "SibSp": 1,
  "Parch": 0,
  "Fare": 7.25,
  "Embarked": "S"
}

Despliegue en Producción

Para desplegar esta API en producción, considera:

1. Cambiar las configuraciones de CORS para restringir los orígenes permitidos
2. Añadir autenticación/autorización
3. Configurar un balanceador de carga si se esperan muchas solicitudes
4. Monitorizar el rendimiento de la API

Tecnologías Utilizadas

• FastAPI: Framework web para crear APIs con Python
• Uvicorn: Servidor ASGI de alto rendimiento
• scikit-learn: Biblioteca para machine learning
• Docker: Plataforma de containerización