Instalación

Esta guía te ayudará a instalar y configurar el Sistema de Riesgo Crediticio con RBM.

Requisitos del Sistema

Requisitos Mínimos

Python: 3.12.3 (recomendado) o 3.8+ (mínimo)
RAM: 4 GB mínimo, 8 GB recomendado
Espacio en disco: 3 GB para dependencias y modelos
Sistema operativo: Linux, macOS, o Windows 10/11

Dependencias Principales

El sistema requiere las siguientes librerías (ver requirements.txt completo):

Framework Web:

streamlit>=1.28.0 - Framework de aplicaciones web

Procesamiento de Datos:

pandas>=2.0.0 - Manipulación de datos
numpy>=1.24.0 - Computación numérica
scipy>=1.11.0 - Análisis estadístico
statsmodels>=0.14.0 - Modelos estadísticos

Visualización:

plotly>=5.15.0 - Gráficos interactivos
matplotlib>=3.7.0 - Gráficos estáticos
seaborn>=0.12.0 - Visualizaciones estadísticas
altair>=5.0.0 - Gráficos declarativos

Machine Learning:

scikit-learn>=1.3.0 - Modelos tradicionales
xgboost>=1.7.0 - Gradient boosting
lightgbm>=4.0.0 - Gradient boosting eficiente
tensorflow>=2.13.0 - Deep learning y RBM

Sistema RAG:

langchain>=0.0.350 - Framework RAG
langchain-community>=0.0.10 - Integraciones
langchain-groq>=0.0.3 - Cliente Groq
chromadb>=0.4.15 - Base de datos vectorial
sentence-transformers>=2.2.2 - Embeddings
transformers>=4.35.0 - Modelos de lenguaje
torch>=2.1.0 - PyTorch
groq>=0.4.0 - API Groq

Procesamiento de PDFs:

PyMuPDF>=1.23.0 - Extracción de texto de PDFs
fitz>=0.0.1.dev2 - Procesamiento de documentos

Formatos de Datos:

openpyxl>=3.1.0 - Excel
xlsxwriter>=3.1.0 - Escritura Excel
pyarrow>=12.0.0 - Parquet

Utilidades:

python-dotenv>=1.0.0 - Variables de entorno
pydantic>=2.4.0 - Validación de datos
tqdm>=4.66.0 - Barras de progreso
joblib>=1.3.0 - Serialización
requests>=2.31.0 - HTTP requests
arxiv>=1.4.8 - Descarga de papers

Documentación:

sphinx>=7.1.0 - Generador de documentación
sphinx-rtd-theme>=1.3.0 - Tema ReadTheDocs

Testing:

pytest>=7.4.0 - Framework de testing
pytest-cov>=4.1.0 - Cobertura de código

Desarrollo:

black>=23.9.0 - Formateador de código
flake8>=6.1.0 - Linter
isort>=5.12.0 - Ordenador de imports

Nota

Total de dependencias: 72 paquetes principales + sus dependencias transitivas (~200 paquetes totales)

Instalación Paso a Paso

1. Clonar el Repositorio

git clone https://github.com/fernandogomez0621/AppFIsica.git
cd AppFIsica

2. Crear Ambiente Virtual

# Linux/macOS
python3 -m venv venv_fisica
source venv_fisica/bin/activate

# Windows
python -m venv venv_fisica
venv_fisica\Scripts\activate

3. Instalar Dependencias

pip install --upgrade pip
pip install -r requirements.txt

Nota

La instalación puede tomar 10-15 minutos debido a las dependencias de deep learning.

4. Configurar API Keys

Edita el archivo .streamlit/secrets.toml:

# API Key de Groq (GRATIS en console.groq.com)
GROQ_API_KEY = "tu-api-key-aqui"

5. Ejecutar la Aplicación

streamlit run app.py

La aplicación se abrirá automáticamente en: http://localhost:8501

Instalación Automática (Linux/macOS)

Script de Instalación Completa

Usa el script de instalación automática:

chmod +x install.sh
./install.sh

Este script:

✅ Verifica Python 3.8+
✅ Crea ambiente virtual automáticamente
✅ Instala todas las dependencias
✅ Configura directorios necesarios
✅ Verifica la instalación
✅ Proporciona instrucciones de uso

Script de Activación Rápida

Para sesiones posteriores, usa:

chmod +x activate_env.sh
./activate_env.sh

Este script:

Activa el ambiente virtual
Verifica dependencias
Ejecuta la aplicación Streamlit

Verificación de Instalación

Verificar Dependencias

# Ejecutar en Python
import streamlit
import pandas
import numpy
import plotly
import sklearn
import tensorflow
print("✅ Todas las dependencias instaladas correctamente")

Verificar Aplicación

Ejecuta streamlit run app.py
Ve a http://localhost:8501
Verifica que aparezca el dashboard principal
Prueba generar datos sintéticos

Solución de Problemas

Errores Comunes

Error: ModuleNotFoundError

# Verificar que el ambiente virtual esté activo
which python

# Reinstalar dependencias
pip install -r requirements.txt

Error: GROQ_API_KEY not found

Verifica que .streamlit/secrets.toml existe
Obtén tu API key en: https://console.groq.com/keys
Asegúrate de que el formato sea correcto

Error: inotify watch limit reached

# Aumentar límite de inotify (Linux)
echo fs.inotify.max_user_watches=524288 | sudo tee -a /etc/sysctl.conf
sudo sysctl -p

Problemas de Memoria

Reduce batch_size en configuración RBM
Usa menos datos para entrenamiento inicial
Cierra otras aplicaciones

Configuración Avanzada

Variables de Entorno

# Configurar límites de memoria para TensorFlow
export TF_CPP_MIN_LOG_LEVEL=2
export CUDA_VISIBLE_DEVICES=""  # Usar solo CPU

# Configurar Streamlit
export STREAMLIT_SERVER_PORT=8501
export STREAMLIT_SERVER_HEADLESS=true

Configuración de Streamlit

Edita .streamlit/config.toml para personalizar:

[theme]
primaryColor = "#FF6B6B"
backgroundColor = "#FFFFFF"
secondaryBackgroundColor = "#F0F2F6"
textColor = "#262730"

Configuración de Modelos

Ajusta hiperparámetros en .streamlit/secrets.toml:

[rbm]
default_n_hidden = 100
default_learning_rate = 0.01
default_n_epochs = 100

Actualización

Para actualizar a una nueva versión:

git pull origin main
pip install -r requirements.txt --upgrade
streamlit run app.py

Desinstalación

Para remover completamente:

# Desactivar ambiente virtual
deactivate

# Eliminar directorio del proyecto
rm -rf AppFIsica/

Soporte

📧 Email: fernandogomez0621@gmail.com
🐛 Issues: https://github.com/fernandogomez0621/AppFIsica/issues
📖 Documentación: Esta documentación
💬 Chat: Sistema RAG integrado para preguntas sobre RBMs

Próximos Pasos

Después de la instalación:

Genera datos: Ve al módulo «Generar Datos»
Explora: Usa «Análisis Descriptivo»
Entrena RBM: Experimenta con «Máquina de Boltzmann»
Aprende: Usa el sistema RAG educativo