zh-TW.md

專案概要

專案組成

• 前端 (FE): 使用 Vue.js 構建的 Web 介面。
• 後端 (BE): 使用 FastAPI 框架搭建的 Python 後端，整合了機器學習 (ML) 模型。
• 機器學習 (ML): 使用 PyCaret 函式庫進行模型訓練和部署。
• 工具箱 (Utils): 存儲了用於心率變異性 (HRV) 特徵提取的 Python 模塊。

專案檔案結構

主要檔案

• analyze.ipynb: 用於數據分析的 Jupyter Notebook。

• preprocess.ipynb: 用於數據預處理的 Jupyter Notebook。

• deploy.py: 主要的部署腳本，配置 FastAPI 和模型部署。

• requirements.txt: 存儲專案的相依套件清單。

• logs.log: 日誌檔案，記錄應用程式運行時的事件和錯誤。

• utils/: 存放各種工具和輔助功能的目錄。

工具模組

• hrv_feature_extraction.py: 用於從心率數據中提取特徵的 Python 模組。

使用者操作

機器學習 (ML)

• 使用 analyze.ipynb 進行數據分析。
• 使用 preprocess.ipynb 預處理數據。
• 透過 deploy.py 部署機器學習模型。

前端 (FE)

• 使用 Vue.js 建構 Web 介面。

後端 (BE)

• 使用 FastAPI 框架建構 Python 後端。

DevOps

• 透過 requirements.txt 管理專案相依套件。

資料流程

1. 數據分析：

   • 使用 analyze.ipynb 對數據進行分析。

2. 數據預處理：

   • 使用 preprocess.ipynb 進行數據預處理。

3. 機器學習模型訓練：

   • 使用 deploy.py 進行機器學習模型的訓練和部署。

4. Web 介面建構：

   • 使用 Vue.js 構建 Web 介面。

5. 應用程式部署和運行：

   • 部署 FastAPI 後端應用程式，運行整個系統。

結論

此專案以機器學習、前端、後端的整合方式建構一個包含數據分析和機器學習功能的 Web 應用程式。使用者可以透過操作相應的檔案和腳本執行數據流程、訓練模型以及部署應用程式。