app.py

#          imports
# ====================================

import numpy as np
import pandas as pd
import streamlit as st
import streamlit.components.v1 as components


components.html(
    """
        <a href="https://git.io/typing-svg"><img src="https://readme-typing-svg.herokuapp.com?font=Fira+Code&pause=1000&width=435&lines=Анализ+банкротства+компании" alt="Typing SVG" /></a>
        <a href="https://git.io/typing-svg"><img src="https://readme-typing-svg.herokuapp.com?font=Fira+Code&pause=1000&width=435&lines=методами+искуственного+интеллекта" alt="Typing SVG" /></a>
    """
)

st.markdown("<h1 style='text-align: center;'>Применение методов машинного обучения в анализе банкротства</h1>", unsafe_allow_html=True)

components.html(
    """
        <img src="https://fincult.info/upload/als-property-editorblock/4a2/4a278980ab4958de5e75aa5290842d77.png" align="center">
    """
)

#with open("./img.png", "rb") as f:
#    st.image(f.read(), use_column_width=True)

st.write(
    """
        # Краткое описание задачи
        Эффективное и заблаговременное прогнозирование банкротства компаний имеет важно значение для всех участников рынка. По мере развития информационного общества традиционные методы выявления банкротства становятся менее эффективными и более трудозатратными. Поэтому сочетание традиционных методов с современными моделями искусственного интеллекта может быть эффективно применено в современных экономических условиях. 
        
       Основная цель работы - оценить риск банкротства с помощью нескольких алгоритмов машинного обучения, сравнить результаты их работы, определить наилучшую модель и соответствующий набор признаков для прогнозирования банкротства компаний.    
    """
)

with st.expander("Описание пайплайна работы", expanded=True):

    st.write(
            """
                # Этапы разработки 
            """
        )