first commit

LICENSE

@@ -0,0 +1,21 @@
+MIT License
+
+Copyright (c) 2025 Dairo Carrasquilla
+
+Permission is hereby granted, free of charge, to any person obtaining a copy
+of this software and associated documentation files (the "Software"), to deal
+in the Software without restriction, including without limitation the rights
+to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
+copies of the Software, and to permit persons to whom the Software is
+furnished to do so, subject to the following conditions:
+
+The above copyright notice and this permission notice shall be included in all
+copies or substantial portions of the Software.
+
+THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
+IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
+FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
+AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
+LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
+OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
+SOFTWARE.

README.md

@@ -0,0 +1,69 @@
+# 🎰 Miloto AI - Lottery Prediction System
+
+`Miloto AI` es un sistema de predicción de números de lotería basado en redes neuronales. Usa modelos LSTM con múltiples salidas para intentar predecir combinaciones ganadoras de un archivo histórico de resultados.
+
+⚠️ Este proyecto **no garantiza resultados reales ni premios**, pero es una excelente herramienta de aprendizaje sobre redes neuronales, modelos multi-salida y entrenamiento de modelos con Keras/TensorFlow.
+
+---
+
+## 🚀 Getting Started
+
+### 📁 Requisitos
+
+* Python 3.8+
+* TensorFlow 2.x
+* NumPy
+* [art](https://pypi.org/project/art/) (para generar banners ASCII)
+
+### 📦 Instalación
+
+```bash
+pip install -r requirements.txt
+```
+
+### 📄 Formato del archivo `data.txt`
+
+Debes tener un archivo llamado `data.txt` en el mismo directorio, con este formato:
+
+```
+5,12,18,23,35
+8,10,14,21,39
+...
+```
+Cada línea representa una combinación de números ganadores, separados por comas. Asegúrate de que el archivo no tenga encabezados ni otros caracteres.
+El formato debe ser **exactamente** así para que el script funcione correctamente.
+Si no tienes un archivo de datos, puedes crear uno manualmente o usar un generador de números aleatorios.
+
+---
+
+## ⚙️ Ejecución
+
+```bash
+python miloto_ai.py
+```
+
+El script:
+
+1. Limpia la consola.
+2. Muestra una pantalla de bienvenida.
+3. Carga y valida los datos.
+4. Construye y entrena un modelo LSTM multi-output.
+5. Muestra una barra de progreso animada por época.
+6. Genera una predicción de una nueva combinación de números.
+
+---
+
+## 📌 Disclaimer
+
+Este proyecto es **puramente educativo** y no tiene ninguna capacidad mágica para adivinar resultados de lotería reales.
+
+* No está afiliado a ningún sistema de lotería oficial.
+* No garantiza ningún tipo de premio.
+* Usar esto para apuestas reales es bajo tu **propio riesgo** (y probablemente mala idea).
+
+---
+
+## 🤖 Créditos
+
+Desarrollado por Dairo Carrasquilla.
+Inspirado en la idea absurda pero divertida de predecir el azar con redes neuronales.

data.txt

@@ -0,0 +1,10 @@
+1,8,22,37,38
+5,15,17,21,25
+4,13,14,21,31
+13,23,26,30,36
+4,16,27,29,32
+2,5,13,17,26
+12,21,22,37,39
+10,20,28,29,38
+2,18,28,33,38
+7,8,10,29,31

miloto_ai.py

@@ -0,0 +1,150 @@
+from tensorflow import keras
+from keras import layers
+from art import text2art
+import tensorflow as tf
+import numpy as np
+import socket
+import sys
+
+# Bloquear el acceso a Internet
+socket.socket = lambda *args, **kwargs: (_ for _ in ()).throw(Exception("Internet access is disabled"))
+
+# === Callback Personalizado para Salida Estilizada de Entrenamiento ===
+class CustomTrainingCallback(tf.keras.callbacks.Callback):
+    def __init__(self):
+        super().__init__()
+        self.total_epochs = None
+        self.bar_length = 40
+
+    def on_train_begin(self, logs=None):
+        self.total_epochs = self.params['epochs']
+        print("\033[1;36m" + "=" * 60 + "\033[0m")
+        print("\033[1;35mTraining Progress:\033[0m")
+
+    def on_epoch_end(self, epoch, logs=None):
+        current = epoch + 1
+        percent = current / self.total_epochs
+        filled_len = int(self.bar_length * percent)
+        bar = '█' * filled_len + '·' * (self.bar_length - filled_len)
+        sys.stdout.write(f"\r\033[1;34m[Epoch {current}/{self.total_epochs}] [{bar}] {percent*100:.1f}%\033[0m")
+        sys.stdout.flush()
+
+        if current == self.total_epochs:
+            print("\n\033[1;36m" + "=" * 60 + "\033[0m\n")
+
+# === Funciones de Interfaz ===
+def print_banner():
+    print("\033[1;34m" + text2art("Miloto AI", font="block"))
+    print("\033[1;33m" + "Lottery Prediction Artificial Intelligence".center(60) + "\033[0m")
+    print("\033[1;36m" + "=" * 60 + "\033[0m")
+
+def print_status(message):
+    print(f"\033[1;34m[•]\033[0m \033[1;37m{message}\033[0m")
+
+def print_intro():
+    print_banner()
+    print_status("Starting LotteryAI Prediction System...")
+    print("\033[1;36m" + "=" * 60 + "\033[0m")
+
+# === Funciones de Carga y Entrenamiento ===
+def load_data():
+    try:
+        if not tf.io.gfile.exists('data.txt'):
+            raise FileNotFoundError("data.txt not found")
+
+        data = np.genfromtxt('data.txt', delimiter=',', dtype=int)
+        if data.size == 0:
+            raise ValueError("data.txt is empty")
+
+        data[data == -1] = 0
+
+        train_size = int(0.8 * len(data))
+        if train_size == 0:
+            raise ValueError("Dataset too small to split")
+
+        train_data = data[:train_size]
+        val_data = data[train_size:]
+        max_value = np.max(data)
+
+        return train_data, val_data, max_value
+    except Exception as e:
+        print(f"\033[1;31mError loading data: {str(e)}\033[0m")
+        sys.exit(1)
+
+def create_model(num_features, max_value):
+    try:
+        model = keras.Sequential([
+            layers.Embedding(input_dim=max_value+1, output_dim=32),
+            layers.LSTM(64, return_sequences=False),
+            layers.Dense(num_features, activation='softmax')
+        ])
+        model.compile(
+            loss='categorical_crossentropy',
+            optimizer='adam',
+            metrics=['accuracy']
+        )
+        return model
+    except Exception as e:
+        print(f"\033[1;31mError creating model: {str(e)}\033[0m")
+        sys.exit(1)
+
+def train_model(model, train_data, val_data):
+    try:
+        callback = CustomTrainingCallback()
+        history = model.fit(
+            train_data,
+            train_data,
+            validation_data=(val_data, val_data),
+            epochs=100,
+            verbose=0,  # Desactiva la salida estándar
+            callbacks=[callback]
+        )
+        return history
+    except Exception as e:
+        print(f"\033[1;31mError training model: {str(e)}\033[0m")
+        sys.exit(1)
+
+def predict_numbers(model, val_data, num_features):
+    try:
+        predictions = model.predict(val_data)
+        indices = np.argsort(predictions, axis=1)[:, -num_features:]
+        predicted_numbers = np.take_along_axis(val_data, indices, axis=1)
+        return predicted_numbers
+    except Exception as e:
+        print(f"\033[1;31mError predicting numbers: {str(e)}\033[0m")
+        sys.exit(1)
+
+def print_predicted_numbers(predicted_numbers):
+    print_status("Generating predictions...")
+    print("\033[1;36m" + "=" * 60 + "\033[0m")
+    print("\033[1;32m" + "🎯 PREDICTED NUMBERS 🎯".center(60) + "\033[0m")
+    print("\033[1;36m" + "-" * 60 + "\033[0m")
+
+    if predicted_numbers.size > 0:
+        print(f"\033[1;37m{', '.join(map(str, predicted_numbers[0]))}\033[0m")
+    else:
+        print("\033[1;31mNo predictions available\033[0m")
+
+    print("\033[1;36m" + "=" * 60 + "\033[0m")
+
+def main():
+    try:
+        print("\x1b[H\x1b[2J\x1b[3J")  # Limpia la consola
+        print_intro()
+
+        train_data, val_data, max_value = load_data()
+
+        if train_data.ndim < 2:
+            raise ValueError("Training data has invalid dimensions")
+
+        num_features = train_data.shape[1]
+        model = create_model(num_features, max_value)
+        train_model(model, train_data, val_data)
+        predicted_numbers = predict_numbers(model, val_data, num_features)
+        print_predicted_numbers(predicted_numbers)
+    except Exception as e:
+        print("\033[1;31m[!] Error:\033[0m", str(e))
+        sys.exit(1)
+
+if __name__ == "__main__":
+    main()

requirements.txt

@@ -0,0 +1,3 @@
+tensorflow>=2.10
+numpy>=1.22
+art>=5.9