Udacity ML Capstone Project

股价预测器

此 GitHub 存储库包含我的 Udacity 机器学习工程师纳米学位的最终项目。

这是股票价格预测器。它使用亚马逊的 DeepAR 算法创建模型并预测未来的股票价格。该存储库包含一个 Jupiter Notebook，用于收集数据、训练模型并对其进行评估。该笔记本还包含一个 Web 应用程序，可以部署该应用程序来预测未来最多 30 个交易日的股票价格。

• 报告
• 木星笔记本

网络应用程序设置说明

要运行此 Web 应用程序，您必须首先创建并部署模型。开始之前有一些要求。

快速API

您必须注册 RapidAPI。创建帐户并订阅雅虎财经 API。您将需要 Jupiter Notebook 中的RAPIDAPI-HOST和RAPIDAPI-KEY来训练您的模型。

贤者创客

您还必须拥有 Amazon Web Services (AWS) 帐户。创建账户并从 AWS 控制台导航到 Amazon SageMaker。创建一个笔记本实例。在创建笔记本实例页面上，单击Git 存储库并选择仅将公共 Git 存储库克隆到此笔记本实例。在Git 存储库 URL中，输入https://github.com/scliff108/Udacity-ML-Capstone-Project.git 。最后，创建笔记本实例。

创建模型

设置笔记本实例后，打开stock-forecasting-deepar笔记本。请务必在标题“加载和浏览数据”下的load_historical_data函数中输入您的RAPIDAPI-HOST和RAPIDAPI-KEY 。

之后，您可以运行 Notebook 中的所有单元格。大约 15 分钟后，您应该生成并评估模型。

设置 Lambda

现在您已经训练了模型，您将需要创建一个 Lambda 函数以将数据发送到 SageMaker 端点并返回结果。将以下代码复制并粘贴到 AWS 上的 Lambda 函数中。您需要在提供的代码中输入您的S3 存储桶和预测器端点名称。

 import boto3
import os
import sys
import json

s3 = boto3.resource('s3')

def lambda_handler(event, context):
    
    bucket = ''# YOUR BUCKET HERE
    key = 'lambda-deepar-stock-forecasting/test/test.json'
    obj = s3.Object(bucket, key)
    
    file_content = obj.get()['Body'].read().decode('utf-8')
    instances = file_content.splitlines()
    
    instances = [json.loads(i) for i in instances]
    for i in instances:
        for _ in range(30):
            i['dynamic_feat'][0].append(i['dynamic_feat'][0][-1])
    
    configuration = {'num_samples': 30,
                     'output_types': ['mean'],
                    }
                    
    request_data = {'instances': instances,
                    'configuration': configuration
                   }

    payload = json.dumps(request_data).encode('utf-8')

    runtime = boto3.Session().client('sagemaker-runtime')
    response = runtime.invoke_endpoint(EndpointName = '', # YOUR ENDPOINT NAME HERE
                                       ContentType = 'application/json',
                                       Body = payload
    )
    result = response['Body'].read().decode('utf-8')

    return {
        'statusCode': 200,
        'body': result
    }

拉姆达数据

不幸的是，Lambda 只能处理这么多数据，因此我们必须向 DeepAR 预测器提供比 S3 上更少的数据。为此，请打开lambda-data笔记本。再次输入您的 RapidAPI 信息并运行所有单元。这将上传足够小的数据供 Lambda 处理。

API网关

最后，我们可以设置 API Gateway 来触发我们创建的 Lambda 函数并获取股票价格预测。为此，请创建一个新的 POST 方法并确保选择 Lambda 函数。然后，在文本框中输入 Lambda 函数的名称并单击保存。最后，单击操作下拉列表以部署 API。

您将需要调用 URL来部署您的 Web 应用程序。

网页应用程序

现在您已经有了可用的 API，您可以开始在 Web 应用程序中使用它。我制作了一个非常简单的 HTML 和 JavaScript 文件来与 API 交互。从此 GitHub 存储库下载网站文件夹，在文件中指定的位置添加您的公共 API URL 并打开它。当您单击“获取数据”按钮时，您应该会在手风琴中看到 20 只股票。单击股票即可查看预测价格。

您的网络应用程序启动时将如下所示。

单击“获取数据”按钮后，您的网络应用程序将如下所示。

单击股票后，您的网络应用程序将如下所示。