API de Pronóstico Un Ejemplo con Django y Google Trends
API Pronóstico - Ejemplo Django y Google Trends
Crear una aplicación web para predecir la evolución de Google Trends.
![Imagen de Myriams-Fotos en Pixabay](https://miro.medium.com/v2/resize:fit:640/format:webp/1*WPhZxbMWJ8Pwke06ZHMbUg.jpeg)
- Introducción
- Modelos de Django
- Servicios: Fuentes de datos, Preprocesamiento, Aprendizaje automático, Tareas
- Capa de interacción: Serializadores, Vistas, Puntos finales
- Conclusiones
Introducción
¿Qué es Django?
Django es un marco de trabajo web de alto nivel en Python. Está diseñado para ser rápido, seguro y escalable, lo que lo convierte en una opción popular para desarrollar aplicaciones web robustas que se espera que crezcan en complejidad. Para una introducción a Django, puedes consultar este tutorial.
En este ejemplo vamos a utilizar Django Rest Framework (DRF), que es una extensión de Django que facilita el desarrollo de APIs REST. Para una introducción a DRF, puedes consultar este tutorial.
Requisitos
Comenzaremos a diseñar nuestra aplicación enumerando algunos requisitos hipotéticos:
- Objetivo general: Implementar un sistema para pronosticar valores futuros de series de tiempo.
- Datos: Google Trends con una frecuencia semanal tanto para características como para objetivos, es probable que se amplíe en el futuro. Los datos deben descargarse según sea necesario.
- Preprocesamiento: Utilizar solo valores rezagados.
- Modelo de Aprendizaje Automático: Un modelo global de LightGBM (consulta este artículo si quieres saber más sobre modelos globales frente a locales).
- Inferencia: Generar predicciones en línea (en lugar de por lotes), pero sin tener que proporcionar características de entrada.
El código completo utilizado en este tutorial está disponible aquí.
- ChatGPT y la ingeniería avanzada de instrucciones impulsando la evolución de la IA
- Detecta cualquier cosa que desees con UniDetector
- Investigadores de la Universidad Nacional de Singapur proponen Mind-Video una nueva herramienta de IA que utiliza datos de fMRI del cerebro para recrear imágenes de video
Configurar el entorno
Comencemos por enumerar las dependencias necesarias.
python = "^3.8"Django = "^4.2.1"lightgbm = "^3.3.5"pandas = "^2.0.1"djangorestframework = "^3.14.0"pytrends = "^4.9.2"drf-extensions = "^0.7.1"
Vamos a utilizar Poetry para gestionar las dependencias y Docker para contenerizar el proyecto. Puedes consultar los archivos de poetry y docker utilizados en este proyecto aquí.
Inicio rápido
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Investigadores de UT Austin y UC Berkeley presentan Ambient Diffusion un marco de inteligencia artificial para entrenar/ajustar modelos de difusión dados solo datos corruptos como entrada.
- Conoce a QLORA Un enfoque de ajuste eficiente que reduce el uso de memoria lo suficiente como para ajustar un modelo de 65B parámetros en una sola GPU de 48GB, preservando al mismo tiempo el rendimiento completo de la tarea de ajuste fino de 16 bits.
- LLMs superan al aprendizaje por refuerzo Conozca SPRING un innovador marco de trabajo de sugerencias para LLMs diseñado para permitir la planificación y el razonamiento en cadena de pensamiento en contexto.
- Investigadores de UC Berkeley presentan Video Prediction Rewards (VIPER) un algoritmo que aprovecha los modelos de predicción de video preentrenados como señales de recompensa sin acción para el aprendizaje por refuerzo.
- Optimización del controlador PID Un enfoque de descenso de gradiente
- LLM (Modelos de Lenguaje Grandes) para un Mejor Aprendizaje del Desarrollador de tu Producto
- Conoce a WebAgent el nuevo LLM de DeepMind que sigue instrucciones y completa tareas en sitios web