<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by William Wayn on Medium]]></title>
        <description><![CDATA[Stories by William Wayn on Medium]]></description>
        <link>https://medium.com/@willzwayn?source=rss-1268675bf7fb------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*s9bsdTl0smMwpEz8.jpg</url>
            <title>Stories by William Wayn on Medium</title>
            <link>https://medium.com/@willzwayn?source=rss-1268675bf7fb------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 09:17:12 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@willzwayn/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[AWS EC2 to S3 Access Issues: ‘Unable to Locate Credentials’ Error]]></title>
            <description><![CDATA[<div class="medium-feed-item"><p class="medium-feed-image"><a href="https://medium.com/@willzwayn/aws-ec2-to-s3-access-issues-unable-to-locate-credentials-error-e3014f975c0b?source=rss-1268675bf7fb------2"><img src="https://cdn-images-1.medium.com/max/1024/0*W3YcsXr8ZV1ewmWs" width="1024"></a></p><p class="medium-feed-snippet">I&#x2019;m writing this post because I recently came across a perplexing issue while setting up a new EC2 instance, and what&#x2019;s even more&#x2026;</p><p class="medium-feed-link"><a href="https://medium.com/@willzwayn/aws-ec2-to-s3-access-issues-unable-to-locate-credentials-error-e3014f975c0b?source=rss-1268675bf7fb------2">Continue reading on Medium »</a></p></div>]]></description>
            <link>https://medium.com/@willzwayn/aws-ec2-to-s3-access-issues-unable-to-locate-credentials-error-e3014f975c0b?source=rss-1268675bf7fb------2</link>
            <guid isPermaLink="false">https://medium.com/p/e3014f975c0b</guid>
            <category><![CDATA[ec2]]></category>
            <category><![CDATA[iam-roles]]></category>
            <category><![CDATA[aws]]></category>
            <dc:creator><![CDATA[William Wayn]]></dc:creator>
            <pubDate>Wed, 13 Sep 2023 17:25:51 GMT</pubDate>
            <atom:updated>2023-09-13T17:25:51.322Z</atom:updated>
        </item>
        <item>
            <title><![CDATA[Como fazer uma API REST para modelos de M.L com Flask e documentação Swagger]]></title>
            <link>https://medium.com/data-hackers/como-fazer-uma-api-rest-para-modelos-de-m-l-com-flask-e-documenta%C3%A7%C3%A3o-swagger-7e74bfa19137?source=rss-1268675bf7fb------2</link>
            <guid isPermaLink="false">https://medium.com/p/7e74bfa19137</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[flask]]></category>
            <category><![CDATA[api]]></category>
            <dc:creator><![CDATA[William Wayn]]></dc:creator>
            <pubDate>Wed, 01 Apr 2020 07:12:58 GMT</pubDate>
            <atom:updated>2020-04-12T20:37:08.141Z</atom:updated>
            <content:encoded><![CDATA[<h3>Como fazer uma API REST para modelos de ML com Flask e documentação Swagger</h3><p>Uma vez que tenhamos feito um modelo de ML, é interessante pensarmos em distribuir essa aplicação para que haja a possibilidade de outras pessoas experimentarem o mesmo. Sendo assim, nesse tutorial, vou falar sobre como fazer isso através de um cara chamado <em>API</em> (Application Programming Interface).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/480/1*wu-_Hxc4YBFKNUOYnWBU0w.gif" /></figure><blockquote>link para o repositório do git:<br><a href="https://github.com/WillzWayn/growing-happy/tree/master/api-rest-flask">https://github.com/WillzWayn/growing-happy/tree/master/api-rest-flask</a></blockquote><h3>Antes de começarmos... O que é uma API?</h3><p>Vamos então pensar em um exemplo concreto de <em>API</em>, uma rota no <em>Google Maps</em>. Quando usamos o <em>Google Maps</em>, enviamos ao Google 2 campos de <strong>texto:</strong> O primeiro campo contendo o nome de uma rua A (que estamos), e, no outro, o nome de uma rua B (à qual queremos ir) e perguntamos ao Google:</p><blockquote><em>Google</em>, estou no ponto A e quero ir ao ponto B, qual é o <strong>melhor</strong> caminho a seguir?</blockquote><p>Com isso fizemos um método <strong>POST,</strong> enviamos(postamos) uma informação para a API do <em>google,</em> o qual, estará encarregado de fazer todo processamento computacional custoso para decidir a melhor rota que devemos tomar, e, com isso, nós consumidores da API não precisamos ter ideia de como esse processo acontecerá, só precisamos saber que o google irá nos devolver informações dizendo quais ruas devemos seguir para completar o percurso. Perceba que nesse caso enviamos e recebemos informações apenas em um formato de texto, onde geralmente por padrão são de um tipo chamado <strong>JSON. </strong>Além disso, é interessante imaginar que; uma das vantagens em se ter uma resposta “padronizada” é que podemos com mais facilidade fazer diversas integrações, podemos usar uma API para receber dados pelo celular, computador e etc...</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*vpmH5DRrA9RGWFQOZBaZOg.png" /></figure><p>Mas, antes de começarmos a de fato construir a API, precisamos de um modelo de ML para consumir. Dito isso vou explicar rapidinho como podemos salvar os modelos treinados para serem usados em produção com o <strong>pickle</strong>.</p><h3>Serializando um modelo de ML já treinado.</h3><p>Uma vez que tenhamos feito um <strong>fit</strong> nos dados, o objeto do <strong>sklearn</strong> se torna capaz de realizar um <strong>predict</strong>. Dito isso, nesses próximos passos veremos o que é necessário fazer para salvar esse modelo treinado em nosso computador, e, com isso, usa lo para prever novos dados sem precisar treinar um novo modelo.</p><p>Para isso usarei o <strong>pickle.</strong> Uma library build-in (já vem por padrão) do python. Essa lib é capaz de transformar qualquer variável em um tipo binário (podemos salvar dicionários, listas, etc…) possibilitando que a mesma seja salva “como um documento” no nosso PC.</p><p>Importando as bibliotecas básicas:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/40fff9c10e6c3bbeff6cbf609a15e9c1/href">https://medium.com/media/40fff9c10e6c3bbeff6cbf609a15e9c1/href</a></iframe><p>Criando dados aleatórios que indicam uma equação linear do tipo</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/174/1*AkPzeWfNNvDiAJUROjpqGg.gif" /></figure><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/a9860e1b738d5847ae0eb82acface387/href">https://medium.com/media/a9860e1b738d5847ae0eb82acface387/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/576/1*_wXmP7kNybFDzDdlIhEUXw.png" /><figcaption>Gráfico do plot das variáveis geradas</figcaption></figure><p>Podemos treinar um modelo de ML nesses dados sintéticos da seguinte maneira:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/b960ec12e5fba6c12cb4a602c468783b/href">https://medium.com/media/b960ec12e5fba6c12cb4a602c468783b/href</a></iframe><p>Agora que temos o modelo treinado com os dados, podemos serializar um objeto pickle.<br>Nesse próximo passo estaremos salvando esse objeto com o nome de model.pickle em nosso PC!</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/0b1795aa6403e6606b8fd6f58545c1c8/href">https://medium.com/media/0b1795aa6403e6606b8fd6f58545c1c8/href</a></iframe><blockquote>Agora temos um arquivo chamado model.pickle em nosso pc. Ele é nosso modelo já treinado e pode ser carregado para dentro de nossa aplicação API.</blockquote><p>Existem muitas formas de se construir uma API e podemos usar diversas linguagens de programação para isso. Podemos, por exemplo, construir com a linguagem JavaScript utilizando o NodeJS; com o Java, utilizando Spring ou Hibernate; com o <strong>python, utilizando Flask ou Django</strong>...</p><p>Como em ciência de dados usamos muito o python (adeus R), escolhi usar uma lib chamada <strong>Flask</strong>. Essa lib foi escolhida por ser<strong> escrita em python, leve e bem simples.</strong> Sendo assim, a <strong>melhor opção para aplicações simples</strong>.</p><h3>Primeira aplicação simples em flask.</h3><p>Iniciaremos criando a pasta principal da aplicação e suas subpastas (repare que o gerador de modelos deve ser movido para a pasta utils).<br>A minha pasta principal vai se chamar `meu_app`.</p><blockquote>— OBS: Como o objetivo é fazer um pequeno tutorial, essa api será uma versão pocket, no sentido de que não irei criar os arquivos estáticos, rederização de página, etc.. Talvez em um futuro escreva sobre. Basicamente esses arquivos não criados seriam responsáveis pela estruturas de paginação, banco de dados, entre outras coisas…</blockquote><pre>meu_app<br>  ├── app.py<br>  ├── virtualenv/ <br>  │   └── repositório que contém as libs instaladas via pip<br>  ├── requirements.txt<br>  ├── server.py<br>  └── utils/<br>      ├── gerador_modelo.py<br>      ├── grafico.png<br>      └── model.pickle</pre><ul><li>requirements.txt - Essa é uma das partes mais importantes do seu projeto. É interessante termos um ambiente de desenvolvimento bem estruturado para não rolar aquele problema de “estranho, na minha maquina roda” (inclusive provavelmente dará problema aí e a solução estará nesse arquivo do git) <br><strong>Esse arquivo contém todos os pacotes (e as versões) instalados via</strong><strong>pip.</strong></li><li>virtualenv - Como disse anteriormente, precisamos isolar o sistema para evitar problemas, esse virtualenv é o repositório que contém as libs instaladas no requeriments.txt. (<a href="https://pythonacademy.com.br/blog/python-e-virtualenv-como-programar-em-ambientes-virtuais">Link de referência</a>)</li><li>app.py - Contém o código python para iniciar o server.</li><li>utils/ - Essa pasta é o local onde deixarei alguns arquivos que não fazem parte da aplicação, como um possível algoritmo de ML, os arquivos pickle, etc…</li></ul><p>O repositório com os arquivos podem ser acessados <a href="https://github.com/WillzWayn/growing-happy/tree/master/api-rest-flask">nesse link.</a><br>Acredito que ficará muito mais fácil compreender o motivo da inserção de cada variável no decorrer do artigo se seguirmos pequenos passos para a construção da aplicação final, mas, talvez, o preço disso seja que os blocos de código não seguirão uma ordem bem definida, então, recomendo tentar acompanhar com o modelo completo, para o caso em que venhamos a nos perder.</p><p>Vamos começar construindo o arquivo <strong><em>app.py</em></strong>, com esse bloco de código aqui oh…</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/3925b1d9d4ce600f427b54b1ec3564c6/href">https://medium.com/media/3925b1d9d4ce600f427b54b1ec3564c6/href</a></iframe><p>Nesse passo fizemos:</p><ul><li>importamos o Flask</li><li>Instanciamos o Flask em uma variável chamada app</li><li>Criamos duas rotas através do @app.route(“caminho__rota”)</li></ul><blockquote>Obs. A função primeiro_endpoint traz dois retornos, o primeiro indica a mensagem de retorno e o segundo o codigo html da msg.</blockquote><blockquote>Basicamente existem 3 famílias principais de código de retorno:<br>Se o retorno for 2xx, significa que tudo deu certo; um retorno 4xx indica que o usuário que fez a requisição fez alguma cagada; e um retorno 5xx indica que foi você quem fez besteira.</blockquote><p>O mais legal do flask é que essa aplicação já pode ser acessada e está funcional!! Precisamos apenas iniciar o app executando no terminal o comando:<br>python app.py<br>Isso nos dará a possibilidade de acessar aos links :<br><a href="http://localhost:5000/">http://localhost:5000/</a> e<br>htttp://localhost:5000/segundo_endpoint</p><p>Vou adicionar 2 blocos de código a mais nesse programa. o primeiro no topo da aplicação, para carregar o modelo de ML:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/ca0513ed53cf260080039109b7a56889/href">https://medium.com/media/ca0513ed53cf260080039109b7a56889/href</a></iframe><p>Iremos modificar o segundo endpoint:</p><ul><li>Repare que adicionamos uma forma de input do usuário no final da rota.</li><li>Esse input será do tipo inteiro e “entrará” na função segundo_endpoint.</li><li>Uma vez que temos o valor que queremos prever, é só rodar o mesmo no código de ML e teremos como resposta o valor da predição !!!</li></ul><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/619356bea80451cc33059e6abd34c654/href">https://medium.com/media/619356bea80451cc33059e6abd34c654/href</a></iframe><p>Ao completarmos os passos anteriores, teremos esse código aqui: <a href="https://gist.github.com/WillzWayn/3d08049c4ff8dbaa7e40069ad272a22d">link</a></p><h4>Esse tipo de solução já está funcional e pronta para uso. Porém, agora, vamos mudar um pouco esse esquema para adicionarmos a comunicação via JSON, documentação, e outras coisas…</h4><p>Vamos começar com os imports das libs. Teremos isso aqui oh:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/b810cb19d3c401fe76c04ef0cbc5ad0e/href">https://medium.com/media/b810cb19d3c401fe76c04ef0cbc5ad0e/href</a></iframe><p>Nesse próximo passo iremos instanciar o rest_app. Recebe por padrão o objeto Flask (a variável app) e <strong>pode</strong> receber, alguns parâmetros a mais.. Tomei a liberdade de separar alguns:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/c4ad759e9646d7e728cb483170e65d9b/href">https://medium.com/media/c4ad759e9646d7e728cb483170e65d9b/href</a></iframe><ul><li>doc - Se trata do link que redireciona para a página com a documentação. Por exemplo, se o servidor é local, nesse caso aí, iremos acessar a documentação através do link:<br><a href="http://localhost:5000/documentacao">http://localhost:5000/documentacao</a></li><li>prefix - Serve para adicionar um prefixo extra no link do endpoint.<br>( o link nesse caso ficará: htttp://localhost:5000/prefix/endpoint )</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/476/1*92ag99PlxfMd8tXfF-z3WA.png" /></figure><p>Chegou a hora definirmos os endpoints !</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/d33df4111e74695ab343ec0f31a9d9e2/href">https://medium.com/media/d33df4111e74695ab343ec0f31a9d9e2/href</a></iframe><p>Apos adicionar essa linha de código, teremos algo assim:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*g15eF-rXSp6fDEnXdmY5yQ.png" /><figcaption>Ta ficando bonito !</figcaption></figure><p>O legal que em poucas linhas de códigos, temos um produto bem bonito. O que faremos agora é definir as variáveis de entrada do modelo. Para isso descomentaremos nos import o fields. E iremos adicionar esse bloco de código depois da atribuição da variável resp_app:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/db4d090edef12832b94e78ed48a275c1/href">https://medium.com/media/db4d090edef12832b94e78ed48a275c1/href</a></iframe><ul><li>required - Força que o parâmetro seja passado</li><li>cls_or_instance - Estamos construindo uma lista, precisamos informar qual tipo de lista é essa. Nesse caso, informamos que temos uma lista de Floats. Se alguém tentar passar uma string aí por exemplo, já sabe né? Error 400 haha!</li></ul><p>Dentro da classe Classe_que_contem_funcoes, usaremos um decorator @ antes das funções que queremos modificar.<br>Então, o que fiz no passo seguinte foi: passar um decorator na função post<strong>indicando que</strong> <strong>aquela função espera receber as variáveis criadas no nosso db_model</strong>!</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/c3d9199f2217bcb80eb91f7252efa3fe/href">https://medium.com/media/c3d9199f2217bcb80eb91f7252efa3fe/href</a></iframe><p>Após esse passo, já podemos verificar acessando o site que a variável está sendo reconhecida na função post!<br>Agora podemos usar o algoritmo de ML para tirar as previsões em cima dos valores de requisição. Implementando o algoritmo (que já havíamos importado anteriormente com o pickle) teremos:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/848ff2e9c80453146fe5b71c2606debf/href">https://medium.com/media/848ff2e9c80453146fe5b71c2606debf/href</a></iframe><p>Então, finalmente chegamos ao fim com a carinha da aplicação assim:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*uYAc0678z3q1V4gRDaM9oQ.png" /><figcaption>.</figcaption></figure><p>Podemos também realizar esse post pelo terminal via curl da seguinte maneira:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/927/1*J6x9JtiT5uZzvGj9J1LmXQ.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7e74bfa19137" width="1" height="1" alt=""><hr><p><a href="https://medium.com/data-hackers/como-fazer-uma-api-rest-para-modelos-de-m-l-com-flask-e-documenta%C3%A7%C3%A3o-swagger-7e74bfa19137">Como fazer uma API REST para modelos de M.L com Flask e documentação Swagger</a> was originally published in <a href="https://medium.com/data-hackers">Data Hackers</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>