Udacity ML Capstone Project

股價預測器

此 GitHub 儲存庫包含我的 Udacity 機器學習工程師奈米學位的最終專案。

這是股票價格預測器。它使用亞馬遜的 DeepAR 演算法創建模型並預測未來的股票價格。該儲存庫包含一個 Jupiter Notebook，用於收集資料、訓練模型並對其進行評估。該筆記本還包含一個 Web 應用程序，可以部署該應用程式來預測未來最多 30 個交易日的股票價格。

• 報告
• 木星筆記本

網路應用程式設定說明

要執行此 Web 應用程序，您必須先建立並部署模型。開始之前有一些要求。

快速API

您必須註冊 RapidAPI。建立帳戶並訂閱雅虎財經 API。您將需要 Jupiter Notebook 中的RAPIDAPI-HOST和RAPIDAPI-KEY來訓練您的模型。

賢者創客

您還必須擁有 Amazon Web Services (AWS) 帳戶。建立帳戶並從 AWS 主控台導覽至 Amazon SageMaker。建立一個筆記本實例。在建立筆記本實例頁面上，按一下Git 儲存庫並選擇僅將公用 Git 儲存庫複製到此筆記本實例。在Git 儲存庫 URL中，輸入https://github.com/scliff108/Udacity-ML-Capstone-Project.git 。最後，建立筆記本實例。

創建模型

設定筆記本實例後，打開stock-forecasting-deepar筆記本。請務必在標題「載入和瀏覽資料」下的load_historical_data函數中輸入您的RAPIDAPI-HOST和RAPIDAPI-KEY 。

之後，您可以執行 Notebook 中的所有儲存格。大約 15 分鐘後，您應該產生並評估模型。

設定 Lambda

現在您已經訓練了模型，您將需要建立一個 Lambda 函數以將資料傳送到 SageMaker 端點並傳回結果。將下列程式碼複製並貼上到 AWS 上的 Lambda 函數中。您需要在提供的程式碼中輸入您的S3 儲存桶和預測器端點名稱。

 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
    }

拉姆達數據

不幸的是，Lambda 只能處理這麼多數據，因此我們必須向 DeepAR 預測器提供比 S3 更少的數據。為此，請開啟lambda-data筆記本。再次輸入您的 RapidAPI 資訊並運行所有單元。這將上傳足夠小的資料供 Lambda 處理。

API網關

最後，我們可以設定 API Gateway 來觸發我們建立的 Lambda 函數並取得股票價格預測。為此，請建立一個新的 POST 方法並確保選擇 Lambda 函數。然後，在文字方塊中輸入 Lambda 函數的名稱並按一下儲存。最後，按一下操作下拉清單以部署 API。

您將需要呼叫 URL來部署您的 Web 應用程式。

網頁應用程式

現在您已經有了可用的 API，您可以開始在 Web 應用程式中使用它。我製作了一個非常簡單的 HTML 和 JavaScript 檔案來與 API 互動。從此 GitHub 儲存庫下載網站資料夾，在檔案中指定的位置新增您的公共 API URL 並開啟它。當您單擊“獲取數據”按鈕時，您應該會在手風琴中看到 20 隻股票。點擊股票即可查看預測價格。

您的網頁應用程式啟動時將如下所示。

點擊“獲取數據”按鈕後，您的網頁應用程式將如下所示。

點擊股票後，您的網路應用程式將如下所示。