В последнее время многие люди инвестируют в акции или другие онлайн-инвестиции, такие как инвестиции в золото и доллары. При выполнении заданий колледжа, а именно задачи создания приложений на основе машинного обучения.
Мои друзья и я в группе, которую мы называем друзьями массовых организаций, решили создать приложение для прогнозирования цены золота, серебра и доллара по отношению к рупии для завтрашних цен, где это приложение было создано, чтобы помочь людям, которые хотят инвестировать в золото. или долларов, предсказывая цену завтра.
прогнозирование роста или снижения цен на следующий день, что поможет людям увидеть тенденцию изменения цен на золото, серебро и доллар по отношению к рупии, чтобы им было легче инвестировать и минимизировать потери.
для этого проекта, созданного с нуля вместе с использованием GitHub, для GitHub свяжите этот проект https://github.com/regiapriandi012/PricePredictions.git и для такой структуры каталогов,
```text └── PricePredictions ├── model │ ├── __init__.py │ ├── modelDolarRidge.py │ ├── modelDolarLasso.py │ ├── modelDolarLinear.py │ ├── modelEmasRidge.py │ ├── modelEmasLasso.py │ ├── modelEmasLinear.py │ ├── modelPerakRidge.py │ ├── modelPerakLasso.py │ └── modelPerakLinear.py ├── server │ ├── __init__.py │ ├── conf │ │ ├── __init__.py │ │ ├── database.ini │ │ └── setting.py │ ├── __init__.py │ └── connect.py ├── static │ ├── img │ │ ├── bagus.jpg │ │ ├── emas.jpg │ │ ├── fahri.jpg │ │ ├── logo.jpg │ │ ├── perak.jpg │ │ ├── reqi.jpg │ │ ├── sine.jpg │ │ └── uang.jpg │ └── style.css ├── templates │ ├── index.html │ └── model.html ├── __init__.py ├── app.py ├── requirements.txt └── README.md ```
Впервые мы создаем каждую модель машинного обучения, адаптированную к ряду цен на золото, серебро и доллар по отношению к рупии. здесь мы используем базу данных PostgreSQL для хранения данных о цене золота, серебра и долларов по отношению к рупиям. Перед созданием некоторых моделей мы сначала подключаемся к серверу.
чтобы получить набор данных из базы данных, мы используем settings.py
после настройки подключения к базе данных и извлечения данных из базы данных, далее переходим к инициации для каждой модели, ибо здесь мы показываем только один тип модели, а именно модель прогнозирования цены на золото методом линейной регрессии, остальные можно можно увидеть в репозитории Github.
после успешного создания необходимой модели машинного обучения создайте веб-дисплей с помощью HTML CSS и javascript (для графиков chart.js)
наконец, мы сделали основное приложение с помощью фреймворка Flask, в файле app.py есть интеграция между несколькими моделями и веб-интерфейсом.
чтобы просмотреть интерфейс прогнозирования, подобный этому
это все от меня и моих друзей за проекты, которые были завершены и розданы друзьям, спасибо за то, что разработка этого проекта идет гладко, надеюсь, эта небольшая информация будет полезна для друзей.