remove project to community account

app.py

@@ -0,0 +1,48 @@
+import numpy as np
+import pandas as pd
+# import io
+import streamlit as st
+import streamlit.components.v1 as components
+
+components.html(
+    """
+        <a href="https://git.io/typing-svg"><img src="https://readme-typing-svg.herokuapp.com?font=Fira+Code&pause=1000&width=435&lines=Маруся+не+отвечает+на+реплики"     alt="Typing SVG" /></a>
+        <a href="https://git.io/typing-svg"><img src="https://readme-typing-svg.herokuapp.com?font=Fira+Code&pause=1000&width=435&lines=из+телевизора" alt="Typing SVG" /></a>
+    """
+)
+
+st.markdown("<h1 style='text-align: center;'>VK кейс Маруся <i>GrowAi</i></h1>", unsafe_allow_html=True)
+
+with open("./image.jpg", "rb") as f:
+    st.image(f.read(), use_column_width=True)
+
+with st.expander("ℹ️ - About this app", expanded=True):
+
+    st.write(
+        """     
+-   Это приложение — это простой в использовании интерфейс, встроенный в специальную библиотеку Streamlit.
+-   Он использует метод минимального извлечения ключевых слов, который использует несколько вложений NLP и полагается на transformers.
+	    """
+    )
+
+st.write(
+    """
+        # Краткое описание решения
+        Мы представляем алгоритм машинного обучения для решения задачи бинарной классификации, отличающий команды пользователя голосового помощника VK "Маруся" от внешнего         шума для повышения коммуникации.
+
+Проанализировав входные данные нами было проведена комплексная оценка параметров признаков, в процессе подготовки было очищено порядка 1,5 тысяч диалогов, содержащих смайлики и пустые значения для лучшего распознавания команд алгоритмом, проставлена пунктуация в ключевых фразах и диалогах пользователей, дана оценка токсичности пользовательских ответов, качества данного ответа, а также лингвистическая приемлемость.
+
+Стек решения:
+python, torch, transformers, sklearn, scipy, pandas, numpy, streamlit
+
+Уникальность:
+Решение оформлено в виде web приложения с пользовательским интерфейсом, позволяющим загружать релевантные данные для их обработки разработанным алгоритмом. Интерпретируемость модели определяется извлечением отдельных признаков, имеющих наибольшую взаимосвязь и значимость для классификации. Повышение точности основано на подходе разделения дата сета на 5 частей для обучения отдельных моделей вместо 1.
+    """
+)
+      
+
+st.title("Проверить работу алгоритма, можно через эту форму")
+placeholder = st.empty()
+text = placeholder.text_area("Вставьте или напишите текст", height=300)
+button = st.button("ТЫК") 
+

requirements.txt

@@ -0,0 +1,3 @@
+numpy 
+pandas
+streamlit