admin_dashboard.py

import streamlit as st
import subprocess
import time
import pandas as pd
import plotly.express as px
import random
from datetime import datetime
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# کلاس برای یادگیری ماشین
class MLEngine:
    def __init__(self):
        # ایجاد داده‌های آموزشی شبیه‌سازی شده
        self.X, self.y = make_classification(n_samples=1000, n_features=10, random_state=42)
        self.model = LogisticRegression()
        self.training_history = []
        self.last_update_time = None
        self.current_accuracy = 0
        self.total_interactions = 1234
        self.user_satisfaction = 95
    
    def train_model(self):
        """آموزش مدل و ذخیره دقت آن"""
        # تقسیم داده‌ها به مجموعه‌های آموزشی و آزمایشی
        X_train, X_test, y_train, y_test = train_test_split(self.X, self.y, test_size=0.2, random_state=42)
        self.model.fit(X_train, y_train)
        
        # پیش‌بینی و محاسبه دقت
        predictions = self.model.predict(X_test)
        accuracy = accuracy_score(y_test, predictions)
        
        # ذخیره دقت در تاریخچه آموزشی
        self.current_accuracy = accuracy * 100  # دقت به درصد
        self.training_history.append({"timestamp": datetime.now(), "accuracy": self.current_accuracy})
        self.last_update_time = datetime.now()
    
    def update_knowledge_base(self):
        """شبیه‌سازی به‌روزرسانی پایگاه دانش"""
        time.sleep(2)  # شبیه‌سازی زمان به‌روزرسانی پایگاه دانش
        self.train_model()  # آموزش مجدد مدل به عنوان بخشی از به‌روزرسانی
    
    def get_learning_stats(self):
        """برگرداندن آمار یادگیری شامل دقت و تاریخچه آموزشی"""
        return {
            "history": self.training_history,
            "currentAccuracy": self.current_accuracy,
            "totalInteractions": self.total_interactions,
            "userSatisfaction": self.user_satisfaction,
            "lastUpdate": self.last_update_time.strftime("%Y-%m-%d %H:%M:%S") if self.last_update_time else "No Update Yet"
        }

# ایجاد یک نمونه از کلاس MLEngine
ml_engine = MLEngine()
ml_engine.train_model()  # آموزش اولیه مدل

# تابع برای اجرای فایل `admin_dashboard_filemanager.py`
def open_file_manager():
    """اجرای فایل مدیریت فایل‌ها و به‌روزرسانی پایگاه دانش"""
    try:
        # اجرای فایل `admin_dashboard_filemanager.py`
        subprocess.Popen(["python", "admin_dashboard_filemanager.py"])
        st.success("Knowledge Base update has been initiated successfully!")
    except Exception as e:
        st.error(f"Error while opening file manager: {e}")

# CSS سفارشی برای طراحی گلس مورفیسم و نئومورفیسم
CUSTOM_CSS = """

<style>

body {

    background: linear-gradient(135deg, #ece9e6, #ffffff);

    font-family: 'Arial', sans-serif;

}

.dashboard-container {

    max-width: 800px;

    margin: auto;

    padding: 20px;

}

.glass-card, .glass-button, .glass-chart {

    backdrop-filter: blur(10px); /* شفافیت پس‌زمینه */

    background: rgba(255, 255, 255, 0.15); /* پس‌زمینه شفاف */

    border-radius: 20px; /* گوشه‌های گرد */

    box-shadow: 4px 4px 10px rgba(0, 0, 0, 0.15), -4px -4px 10px rgba(255, 255, 255, 0.7); /* سایه‌های نئومورفیسم */

    padding: 20px;

    margin: 15px 0;

    transition: all 0.3s ease;

}

.glass-card:hover, .glass-button:hover {

    box-shadow: 6px 6px 12px rgba(0, 0, 0, 0.2), -6px -6px 12px rgba(255, 255, 255, 0.5); /* افکت سایه هنگام هاور */

    transform: translateY(-5px); /* جابجایی جزئی */

}

.header {

    text-align: center;

    color: #333;

    font-size: 24px;

    font-weight: bold;

    padding: 10px 0;

}

.glass-button {

    display: inline-block;

    color: #ffffff;

    background: linear-gradient(135deg, #4a90e2, #50e3c2);

    border: none;

    font-size: 18px;

    cursor: pointer;

    text-align: center;

    width: 100%;

    padding: 10px 20px;

    margin-top: 10px;

    border-radius: 20px;

    box-shadow: 4px 4px 10px rgba(0, 0, 0, 0.15), -4px -4px 10px rgba(255, 255, 255, 0.7); /* سایه‌های نئومورفیسم */

    transition: all 0.3s ease;

}

.glass-button:hover {

    background: linear-gradient(135deg, #50e3c2, #4a90e2); /* تغییر رنگ هنگام هاور */

}

.stat-card {

    text-align: center;

    color: #333;

    padding: 15px;

}

.stat-title {

    font-size: 16px;

    color: #666;

}

.stat-value {

    font-size: 26px;

    font-weight: bold;

    color: #4a90e2;

}

.glass-upload {

    background: rgba(255, 255, 255, 0.25); /* پس‌زمینه شفاف */

    border: 1px solid rgba(255, 255, 255, 0.3);

    border-radius: 20px;

    padding: 20px;

    box-shadow: inset 4px 4px 6px rgba(0, 0, 0, 0.1), inset -4px -4px 6px rgba(255, 255, 255, 0.5); /* سایه داخلی */

}

.icon {

    font-size: 24px;

    color: #4a90e2;

    margin-right: 8px;

}

</style>

"""

# اعمال CSS سفارشی
st.markdown(CUSTOM_CSS, unsafe_allow_html=True)

# ساخت داشبورد
st.markdown("<div class='dashboard-container'>", unsafe_allow_html=True)
st.markdown("<div class='header'>Admin Dashboard</div>", unsafe_allow_html=True)

# دکمه به‌روزرسانی پایگاه دانش با طراحی گلس مورفیسم
if st.button("Update Knowledge Base"):
    ml_engine.update_knowledge_base()
    open_file_manager()

# نمایش آمارها با طراحی نئومورفیسم
st.subheader("Statistics")
col1, col2, col3 = st.columns(3)

# نمایش آمارهای فعلی مدل
stats = ml_engine.get_learning_stats()
col1.markdown(f"<div class='glass-card stat-card'><div class='stat-title'>📊 Accuracy</div><div class='stat-value'>{stats['currentAccuracy']:.2f}%</div></div>", unsafe_allow_html=True)
col2.markdown(f"<div class='glass-card stat-card'><div class='stat-title'>👤 Total Interactions</div><div class='stat-value'>{stats['totalInteractions']}</div></div>", unsafe_allow_html=True)
col3.markdown(f"<div class='glass-card stat-card'><div class='stat-title'>👍 User Satisfaction</div><div class='stat-value'>{stats['userSatisfaction']}%</div></div>", unsafe_allow_html=True)

# نمودار روند یادگیری با طراحی شفاف (گلس مورفیسم)
st.subheader("Learning Rate Trend")
learning_df = pd.DataFrame([
    {"Date": stat["timestamp"], "Accuracy": stat["accuracy"]} 
    for stat in stats["history"]
])
fig = px.line(learning_df, x="Date", y="Accuracy", title="Learning Rate Over Time", 
              template="plotly_white", markers=True)
fig.update_traces(line=dict(color="#4a90e2", width=2))
st.plotly_chart(fig, use_container_width=True)

# آپلود فایل با طراحی نئومورفیسم
st.subheader("Manage Files")
st.markdown("<div class='glass-upload'>", unsafe_allow_html=True)
uploaded_file = st.file_uploader("Upload Document", type=["txt", "pdf", "docx"])
if uploaded_file:
    st.success("File uploaded successfully!")
st.markdown("</div>", unsafe_allow_html=True)

# پایان داشبورد
st.markdown("</div>", unsafe_allow_html=True)