Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/juliandgp/redesneuronaleslstm-stock-forecasting
https://github.com/juliandgp/redesneuronaleslstm-stock-forecasting
Last synced: 7 days ago
JSON representation
- Host: GitHub
- URL: https://github.com/juliandgp/redesneuronaleslstm-stock-forecasting
- Owner: JulianDGP
- Created: 2024-05-27T16:58:21.000Z (5 months ago)
- Default Branch: master
- Last Pushed: 2024-06-11T23:39:02.000Z (5 months ago)
- Last Synced: 2024-06-12T23:11:19.679Z (5 months ago)
- Language: Python
- Size: 1.3 MB
- Stars: 1
- Watchers: 2
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
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
```