requirements.txt

streamlit==1.32.2
numpy==1.26.4
tensorflow==2.16.1
pandas==2.2.1
plotly==5.18.0
scikit-learn==1.4.0

APP.PY

@@ -0,0 +1,107 @@
+import streamlit as st
+import numpy as np
+import pandas as pd
+import tensorflow as tf
+from tensorflow.keras.models import Sequential
+from tensorflow.keras.layers import LSTM, Dense
+from sklearn.preprocessing import MinMaxScaler
+import plotly.express as px
+
+# إعدادات الصفحة
+st.set_page_config(
+    page_title="Aviator Predictor",
+    layout="wide",
+    initial_sidebar_state="collapsed"
+)
+
+# إعدادات النموذج
+WINDOW_SIZE = 2  # تم التخفيض لتقليل استهلاك الذاكرة
+EPOCHS = 30      # تم التخفيض لتسريع التدريب
+
+# إعداد حالة الجلسة
+if "values" not in st.session_state:
+    st.session_state.values = []
+if "model" not in st.session_state:
+    st.session_state.model = None
+if "scaler" not in st.session_state:
+    st.session_state.scaler = MinMaxScaler(feature_range=(0, 1))
+
+# وظائف التحكم
+def prepare_data(data):
+    scaled_data = st.session_state.scaler.fit_transform(np.array(data).reshape(-1,1))
+    X, y = [], []
+    for i in range(len(scaled_data)-WINDOW_SIZE):
+        X.append(scaled_data[i:i+WINDOW_SIZE, 0])
+        y.append(scaled_data[i+WINDOW_SIZE, 0])
+    return np.array(X), np.array(y)
+
+def build_model():
+    model = Sequential([
+        LSTM(32, activation='relu', input_shape=(WINDOW_SIZE, 1)),  # تم التبسيط
+        Dense(1)
+    ])
+    model.compile(
+        optimizer='adam',
+        loss='mse'
+    )
+    return model
+
+# واجهة المستخدم
+st.title("🛩 Aviator Predictor Pro")
+st.markdown("أدخل القيم (مثال: 1.23) ثم اضغط إضافة")
+
+col1, col2 = st.columns([3, 1])
+with col1:
+    new_value = st.number_input("القيمة الجديدة:", format="%.2f", key="input", step=0.1)
+
+with col2:
+    if st.button("➕ إضافة"):
+        st.session_state.values.append(float(new_value))
+        st.rerun()
+    if st.button("🗑️ مسح البيانات"):
+        st.session_state.values = []
+        st.session_state.model = None
+        st.rerun()
+
+# عرض البيانات
+if len(st.session_state.values) > 0:
+    st.subheader("📊 التطور التاريخي")
+    df = pd.DataFrame({'القيم': st.session_state.values})
+    fig = px.line(df, y='القيم', markers=True)
+    st.plotly_chart(fig, use_container_width=True)
+
+# التدريب والتنبؤ
+if len(st.session_state.values) >= WINDOW_SIZE + 1:
+    try:
+        X, y = prepare_data(st.session_state.values)
+        X = X.reshape((X.shape[0], X.shape[1], 1))
+        
+        if st.session_state.model is None:
+            st.session_state.model = build_model()
+            
+        history = st.session_state.model.fit(
+            X, y,
+            epochs=EPOCHS,
+            verbose=0
+        )
+        
+        last_sequence = st.session_state.scaler.transform(
+            np.array(st.session_state.values[-WINDOW_SIZE:]).reshape(-1,1)
+        ).reshape(1, WINDOW_SIZE, 1)
+        
+        prediction = st.session_state.scaler.inverse_transform(
+            st.session_state.model.predict(last_sequence, verbose=0)
+        )[0][0]
+        
+        st.success(f"التنبؤ للجولة القادمة: {prediction:.2f}x")
+        st.info(f"آخر {WINDOW_SIZE} قيم: {st.session_state.values[-WINDOW_SIZE:]}")
+        
+    except Exception as e:
+        st.error(f"حدث خطأ تقني: {str(e)}")
+
+elif len(st.session_state.values) > 0:
+    needed = WINDOW_SIZE + 1 - len(st.session_state.values)
+    st.warning(f"أدخل {needed} قيم أخرى لبدء التنبؤات")
+
+st.markdown("---")
+st.caption("الإصدار 4.0 | تم التطوير باستخدام خوارزميات التعلم العميق")