Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.

Awesome Lists | Featured Topics | Projects

https://github.com/juliandgp/redesneuronaleslstm-stock-forecasting


https://github.com/juliandgp/redesneuronaleslstm-stock-forecasting

Last synced: 7 days ago
JSON representation

Awesome Lists containing this project

README

        

# Redes Neuronales LSTM para Predicción de series temporales

## 👨‍💻 Creadores
Este proyecto fue creado por:
* [ Julián Gomez](https://github.com/JulianDGP)
* [ Felipe Rivera](https://github.com/LFelipe-RiveraH)

## 📝 Descripción

Este proyecto aplica un modelo de red neuronal LSTM para predecir tendencias futuras en el mercado de acciones de Amazon, analizando series temporales históricas de precios. Utiliza Python y Streamlit para ofrecer una interfaz de usuario interactiva que facilita la visualización y la interacción con los datos y predicciones del modelo.

Streamlit es una potente biblioteca de Python que transforma scripts en aplicaciones web dinámicas, permitiendo tambien desplegar de forma automática en Github Codespaces, permitiendo a los usuarios interactuar con los resultados del modelo LSTM directamente desde una aplicación web en internet.

Enlace: https://amazonforecasting.streamlit.app/

## ⚠️ Requisitos

- Python 3.8 o superior
- pip (Administrador de paquetes de Python)

## 🛠️Instalación

1. Clonar el repositorio:
```
git clone https://github.com/JulianDGP/RedesNeuronalesLSTM-Stock-Forecasting
```
2. Navegar al directorio local del proyecto
```
cd RedesNeuronalesLSTM-Stock-Forecasting
```
3. Crear un entorno virtual de Python (recomendado, pero opcional)
```
python -m venv venv
```
4. Activa el entorno virtual:
- En Windows:
```
.\venv\Scripts\activate
```
- En macOS/Linux:
```
source venv/bin/activate
```
5. Instalar las dependencias del proyecto:
```
pip install -r requirements.txt
```
## 🚀 Ejecución
Para ejecutar el proyecto y visualizar la aplicación Streamlit
1. Asegúrate de que el entorno virtual esté activado.
2. Ejecuta el siguiente comando:
```
streamlit run app.py
```
Esto iniciará la aplicación y estará accesible en el navegador web a través de la dirección http://localhost:8501, para ejecutar la aplicacion cambiando el puerto de ejecución de Streamlit debe usarse:
```
streamlit run app.py --server.port 8080
```