bonbek/cryptobot

Machine learning cryptocurrencies prediction - DataScientest MLOPs graduation project

Bot de support au trading de crypto-monnaies basé sur un modèle de Machine Learning. Projet réalisé dans le cadre de la formation MLOPs DataScientest, promotion Mai 2023.

Auteurs - Johann Ambrugeat, Julien Le Bot, Christopher Corbin

Architecture de la solution

TODO: diagramme

🚀 Installation et lancement

Pré-requis : Docker >= 24.0.5, Python >= 3.9.18

Depuis un terminal, cloner le dépôt et se positionner dans le projet:

git clone https://github.com/JohannGump/CryptoBot-Binance.git
cd CryptoBot-Binance

Optionnel (ie. auto-completion VSCode, execution des scripts sur hôte)

Créer un environnement virtuel Python dans le projet et installer les dépendances des modules:

python -m venv .venv
source .venv/bin/activate
pip install -r binance_bridge/requirements.txt
pip install -r data/requirements.txt
pip install -r model/requirements.txt
pip install -r web_api/requirements.txt

Créez un network docker nommé cryptobot-network

docker network create cryptobot-network

Executez docker compose pour démarrer l'ensemble des services

docker compose up

Patientez quelques minutes (cela peu être long au premier démarrage), jusqu'a observer une sortie ressemblant à celle-ci

c-requester | [2023-10-01 17:20:22] [INFO] predict - WEEKLY predictions up to date, latest 2023-10-23 02:00:00

Vous pouvez maintenant naviguer à l'adresse suivante pour accéder à la vitrine de l'application: http://localhost:8000

L'accès à l'interface Airflow est disponible ici (login: airflow, mdp: airflow): http://localhost:8080

🗂️ Organisation du code

• airflow : dags airflows
• airflow-setup : manifests de déploiement d'Airflow sur le cluster Kubernetes
• binance_bridge : utilitaires de communication avec l'API Binance, définitions des constantes
• data : scripts etl des données d'entrainement, build file Docker
• kubernetes : manifests de déploiment de la solution sur cluster Kubernetes
• model : scripts d'entrainement (preprocessing, fit, save) des modèles, build files Docker (entraineur de modèles, serveur de modèles)
• requester : etl données de prédictions, requêteur de prédcitions
• web_api : vitrine publique de l'application