📊 Crypto Analytics Platform

Sistema profissional de análise de criptomoedas com processamento Big Data, Machine Learning e visualizações interativas.

---

🚀 Quick Start

Instalação

# 1. Criar ambiente virtual
python -m venv venv
.\venv\Scripts\Activate.ps1

# 2. Instalar dependências
pip install -r requirements.txt

# 3. Executar dashboard
streamlit run app.py

Acesse: http://localhost:8501

---

🎯 Funcionalidades

📈 Análise de Dados

• Processamento Big Data com Apache Spark
• Médias móveis (7d, 30d, 90d, 200d)
• Indicadores técnicos (RSI, MACD, Volatilidade)

🤖 Machine Learning

• Prophet AI: Previsão time-series
• Random Forest: Ensemble learning
• Gradient Boosting: Regressão avançada

📊 Visualizações

• Gráficos interativos Plotly
• Candlestick charts
• Dashboard profissional

🌐 Fontes de Dados

• Yahoo Finance API
• Upload CSV

---

💻 Tecnologias

• Apache Spark 3.5.0 - Big Data processing
• Prophet 1.1.5 - Time series forecasting
• Scikit-learn 1.3.2 - Machine Learning
• Streamlit 1.29.0 - Web dashboard
• Plotly 5.18.0 - Interactive visualizations
• PyQt5 5.15.10 - Desktop application

---

📁 Estrutura

bigdata-2/
├── app.py                 # Dashboard web
├── modern_theme.py        # Tema visual
├── requirements.txt       # Dependências
├── config/               # Configurações
├── src/                  # Código principal
│   ├── data_ingestion.py
│   ├── spark_processor.py
│   └── utils.py
├── models/               # ML Models
│   ├── prophet_model.py
│   └── sklearn_model.py
├── visualizations/       # Gráficos
├── desktop_app/          # App desktop
├── notebooks/            # Jupyter notebooks
└── data/                 # Dados

---

🚀 Como Usar

Dashboard Web

streamlit run app.py

Desktop App

python desktop_app/main.py

Notebooks

jupyter notebook notebooks/

---

📊 Workflow

1. Selecionar Fonte: Yahoo Finance ou CSV
2. Escolher Cripto: BTC, ETH, ADA, SOL, BNB, XRP
3. Definir Período: 1-10 anos ou máximo
4. Carregar Dados: Click "Load Data"
5. Analisar: Navegue pelas tabs
   • Overview
   • Technical Analysis
   • ML Predictions
   • Visualizations

---

🤖 Machine Learning

Prophet

• Detecção de sazonalidade
• Previsões 30-90 dias
• Intervalos de confiança

Scikit-learn

• Linear/Ridge/Lasso Regression
• Random Forest
• Gradient Boosting
• Features: lags, MAs, volatilidade

---

⚙️ Configuração

Spark (opcional)

• Instalar Java 8 ou 11
• Sistema usa Pandas como fallback

Prophet (Windows)

pip install pystan==2.19.1.1
pip install prophet==1.1.5

---

🐛 Troubleshooting

Porta em uso:

streamlit run app.py --server.port=8502

Spark não disponível:

• Sistema funciona sem Spark (usa Pandas)

---

📦 Dependências

apache-spark==3.5.0
pyspark==3.5.0
prophet==1.1.5
scikit-learn==1.3.2
streamlit==1.29.0
plotly==5.18.0
PyQt5==5.15.10
yfinance==0.2.32
pandas>=2.0.0
numpy>=1.24.0

---

🎓 Projeto Acadêmico

Requisitos Atendidos

✅ Big Data (Apache Spark)
✅ Machine Learning (Prophet + scikit-learn)
✅ Visualizações (Plotly)
✅ Interface profissional
✅ Documentação completa

---

📊 Crypto Analytics Platform

Big Data • Machine Learning • Real-Time Analysis