Analyse des tendances du Bitcoin
L’application d’analyse des tendances du Bitcoin est un projet axé sur les données, conçu pour visualiser et examiner les tendances des tweets liés au Bitcoin ainsi que les données du marché. Développée avec Streamlit, l’application intègre le prétraitement des données, des visualisations avancées et l’apprentissage automatique pour explorer les interactions entre le sentiment sur les réseaux sociaux et le comportement du marché. Réalisée dans le cadre d’une initiative d’apprentissage, elle met en avant des compétences en gestion des données, visualisation et techniques de text mining.
DATA VIZUALISATIONTEXT MININGSTREAMLIT APPSENTIMENT ANALYSISNLPMACHINE LEARNING
6/16/20242 min lire
Fonctionnalités principales
Gestion des données
Le projet exploite Jupyter Notebooks et Pandas pour le nettoyage et la préparation des données, garantissant des ensembles prêts pour l’analyse :
Historique du marché du Bitcoin : Les données historiques du marché ont été analysées et nettoyées pour en extraire des insights pertinents.
Historique des tweets sur le Bitcoin : Les données de tweets liés au Bitcoin ont été prétraitées pour des analyses de sentiment et de tendances.
Recoupement des données : Les périodes des différents ensembles de données ont été alignées pour créer des fenêtres temporelles permettant une analyse de corrélation.
Visualisation des données
Le prétraitement et la visualisation permettent de révéler des insights clés en utilisant :
Outils NLTK : Prétraitement des textes, incluant le stemming et la suppression des mots vides.
Feature engineering : Création de scores de sentiment avec VaderSentiment, agrégations de séries temporelles et nuages de mots.
Analyse des tendances : Insights statistiques et visualisations via Numpy, Scipy, Matplotlib et Seaborn.
Analyse de corrélation et modélisation prédictive
Des analyses avancées mettent en évidence les relations entre les sentiments exprimés sur Twitter et les tendances du marché :
Étude de corrélation : Évalue la corrélation entre les tweets sur le Bitcoin et les mouvements du marché.
Modélisation prédictive : Exploration interactive des prédictions avec un modèle de régression linéaire construit avec Scikit-Learn.
Tableaux de bord interactifs : Des widgets Streamlit et des visualisations Dash Plotly offrent une expérience immersive aux utilisateurs.
Stack Technologique
Langages et outils : Python, Jupyter Notebook
Bibliothèques : Pandas, Numpy, Scikit-Learn, NLTK, Matplotlib, Seaborn, Dash Plotly
Applications : Analyse de sentiments, visualisation des tendances, modélisation prédictive, analyse de corrélation
Interface utilisateur avec Streamlit : Tableau de bord interactif et intuitif permettant de visualiser et d'explorer les tendances du Bitcoin
