Update app.py

app.py

@@ -1,58 +1,32 @@
 import streamlit as st
-import numpy as np
-import pandas as pd
-from sklearn.ensemble import RandomForestClassifier
-from sklearn.model_selection import train_test_split
-from sklearn.metrics import accuracy_score
+from datasets import load_dataset
 from transformers import pipeline
 
 # Título de la aplicación
-st.title("Aplicación Demo con Hugging Face")
+st.title("Chatbot y Análisis de Criptomonedas con Hugging Face")
+
+# Cargar el modelo de chatbot avanzado (DialoGPT español)
+chatbot = pipeline("conversational", model="ITG/DialoGPT-medium-spanish-chitchat")
+
+# Interacción con el chatbot
+st.header("Chat con el Bot")
+user_input = st.text_input("Escribe tu mensaje:")
+if st.button("Enviar"):
+    if user_input:
+        response = chatbot(user_input)
+        st.write(f"Bot: {response[0]['generated_text']}")
+    else:
+        st.write("Por favor, escribe un mensaje.")
 
-# Introducción
+# Análisis de Criptomonedas usando un Dataset de Hugging Face
+st.header("Análisis de Criptomonedas")
 st.write("""
-## ¿Qué hace esta aplicación?
-Esta aplicación muestra ejemplos básicos usando:
-- Clasificación de datos usando Scikit-learn.
-- Modelos de texto de Hugging Face con Transformers.
+Este análisis se realiza con el conjunto de datos `crypto_data` de Hugging Face para el análisis histórico de precios de criptomonedas.
 """)
 
-# Clasificación de datos con Scikit-learn
-st.header("Ejemplo: Clasificación de Datos")
-data = pd.DataFrame({
-    'Feature 1': np.random.rand(100),
-    'Feature 2': np.random.rand(100),
-    'Label': np.random.choice([0, 1], size=100)
-})
-
-st.write("### Dataset")
-st.write(data)
-
-X = data[['Feature 1', 'Feature 2']]
-y = data['Label']
-X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
-model = RandomForestClassifier()
-model.fit(X_train, y_train)
-predictions = model.predict(X_test)
-accuracy = accuracy_score(y_test, predictions)
-
-st.write("### Precisión del Modelo:")
-st.write(f"{accuracy:.2f}")
-
-# Uso de un pipeline de Hugging Face
-st.header("Ejemplo: Uso de Hugging Face Transformers")
-st.write("Genera texto a partir de una entrada")
-
-# Cargar un modelo de Hugging Face (distilgpt2 para generación de texto)
-generator = pipeline("text-generation", model="distilgpt2")
-input_text = st.text_input("Escribe un texto:")
-if st.button("Generar Texto"):
-    if input_text:
-        result = generator(input_text, max_length=50, num_return_sequences=1)
-        st.write(result[0]['generated_text'])
-    else:
-        st.write("Por favor, escribe un texto para generar.")
-
-# Final de la aplicación
-st.write("Desarrollado por [TU VIEJA](https://huggingface.co/) 👨‍💻")
+# Cargar el dataset de criptomonedas
+crypto_data = load_dataset("sebdg/crypto_data")
 
+# Mostrar datos de ejemplo del dataset
+st.write("Dataset de Criptomonedas cargado:")
+st.write(crypto_data['train'].head())