diff --git a/app.py b/app.py
new file mode 100644
index 0000000..9e7a6c9
--- /dev/null
+++ b/app.py
@@ -0,0 +1,123 @@
+import streamlit as st
+import joblib
+import pandas as pd
+import numpy as np
+from sklearn.base import BaseEstimator, TransformerMixin
+from sklearn.preprocessing import QuantileTransformer, StandardScaler
+from sklearn.cluster import KMeans
+from datetime import date, datetime
+from funciones import season,divide_estaciones,rellenar,eliminar,rellenar_con_cols,eliminar_viento,dummies_elim,rellenar_ultimos,estandarizacion,preprocesamiento, agrego_columnas
+from clases import NeuralNetworkClass, NeuralNetworkReg, MiniBatchGradientDescentRegressor
+import pandas as pd 
+import numpy as np 
+from tensorflow_addons.metrics import RSquare
+
+
+pipe = joblib.load('regresion_logistica (2).pkl')
+pipe_reg = joblib.load('gradiente-mini-batch (2).pkl')
+#pipe_red_reg = joblib.load('red_neuronal_regresion1.pkl')
+#pipe_red_clas = joblib.load('red_neuronal_clasificacion.pkl')
+
+def get_user_input():
+    with st.form(key='my_form'):
+        submit_button = st.form_submit_button(label='Submit')
+    return submit_button
+
+st.title('TP Aprendizaje Automatico')
+
+#st.title('Cargar CSV')
+
+# Widget para cargar un archivo CSV
+#file = st.file_uploader('Cargar archivo CSV', type=['csv'])
+
+#if file is not None:
+    # Leer el archivo CSV y mostrar los datos
+#    df = pd.read_csv(file)
+#    st.write('Datos del archivo CSV:')
+#    st.write(df)
+
+selected_date = st.date_input('Date', date.today())
+location = st.text_input('Location (Sydney, SydneyAirport, Canberra, Melbourne y MelbourneAirport)', 'Sidney')
+a1 = st.slider('MinTemp', -20.0, 40.0, 5.0)
+a2 = st.slider('MaxTemp', -10.0, 60.0, 5.0)
+a3 = st.slider('Rainfall', 0.0, 500.0, 5.0)
+a4 = st.slider('Evaporation', 0.0, 30.0, 5.0)
+a5 = st.slider('Sunshine', 0.0, 14.0, 5.0)
+dir = st.text_input('WindGustDir', 'N')
+a6 = st.slider('WindGustSpeed', 0.0, 130.0, 5.0)
+dir9 = st.text_input('WindDir9am', 'N')
+dir3 = st.text_input('WindDir3pm', 'N')
+a7 = st.slider('WindSpeed9am', 0.0, 130.0, 5.0)
+a8 = st.slider('WindSpeed3pm', 0.0, 130.0, 5.0)
+a9 = st.slider('Humidity9am', 0.0, 100.0, 5.0)
+a10 = st.slider('Humidity3pm', 0.0, 100.0, 5.0)
+a11 = st.slider('Pressure9am', 500.0, 1500.0, 5.0)
+a12 = st.slider('Pressure3pm', 500.0, 1500.0, 5.0)
+a13 = st.slider('Cloud9am', 0.0, 10.0, 5.0)
+a14 = st.slider('Cloud3pm', 0.0, 10.0, 5.0)
+a15 = st.slider('Temp9am', -20.0, 40.0, 5.0)
+a16 = st.slider('Temp3pm', -10.0, 60.0, 5.0)
+rain = st.text_input('RainToday (Yes, No)', 'No')
+
+
+submit_button = get_user_input()
+# When the 'Submit' button is pressed, perform the prediction
+if submit_button:
+
+    # Crear el diccionario
+    data_para_predecir = {
+    'Date': selected_date.strftime('%Y-%m-%d'),
+    'Location': location,
+    'MinTemp': a1,
+    'MaxTemp': a2,
+    'Rainfall': a3,
+    'Evaporation': a4,
+    'Sunshine': a5,
+    'WindGustDir': dir,
+    'WindGustSpeed': a6,
+    'WindDir9am': dir9,
+    'WindDir3pm': dir3,
+    'WindSpeed9am': a7,
+    'WindSpeed3pm': a8,
+    'Humidity9am': a9,
+    'Humidity3pm': a10,
+    'Pressure9am': a11,
+    'Pressure3pm': a12,
+    'Cloud9am': a13,
+    'Cloud3pm': a14,
+    'Temp9am': a15,
+    'Temp3pm': a16,
+    'RainToday': rain
+}
+
+    data = pd.DataFrame([data_para_predecir])
+
+    # Predicciones lluvia
+    prediction = pipe.predict(data)
+    prediction_clas = prediction[0]
+    # Display the prediction
+    st.header("Rain Tomorrow?")
+    if prediction_clas == 1:
+        st.write('Yes')
+    else: 
+        st.write('No')
+    
+
+    prediction = pipe_reg.predict(data)
+    prediction_reg = prediction[0]
+    # Display the prediction
+    st.header("Rainfall Tomorrow?")
+    st.write(prediction_reg)
+
+    #prediction = pipe_red_reg.predict(data)
+    #prediction_red_reg = prediction[0]
+    # Display the prediction
+    #st.header("Regresion de una red neuronal")
+    #st.write(prediction_red_reg)
+
+    #prediction = pipe_red_clas.predict(pd.DataFrame([data_para_predecir]))
+    #prediction_red_clas = prediction[0]
+    #Display the prediction
+    #st.header("Clasificacion de una red neuronal")
+    #st.write(prediction_red_clas)
+
diff --git a/funciones.py b/funciones.py
new file mode 100644
index 0000000..cf24b13
--- /dev/null
+++ b/funciones.py
@@ -0,0 +1,179 @@
+# funciones
+import pandas as pd
+import numpy as np
+from datetime import datetime
+from sklearn.base import BaseEstimator, TransformerMixin
+from sklearn.impute import SimpleImputer
+from sklearn.preprocessing import StandardScaler
+from sklearn.pipeline import Pipeline, make_pipeline
+from sklearn.preprocessing import FunctionTransformer
+
+def season(date):
+    date = datetime.strptime(date, '%Y-%m-%d')
+    if date.month in [12, 1, 2]:
+        return 'Verano'
+    elif date.month in [3, 4, 5]:
+        return 'Otoño'
+    elif date.month in [6, 7, 8]:
+        return 'Invierno'
+    else:
+        return 'Primavera'
+
+def divide_estaciones(df):
+  # Aplicamos la funcion para crear la columna season
+  df['season'] = df['Date'].apply(season)
+  return df
+
+def rellenar(df):
+    #Rellenemos valores faltanes de MaxTemp con Temp3pm
+    df['MaxTemp'] = df['MaxTemp'].fillna(df['Temp3pm'])
+
+    #Rellenemos valores faltanes de MinTemp con Temp9am
+    df['MinTemp'] = df['MinTemp'].fillna(df['Temp9am'])
+
+    #Rellenemos valores faltanes de Pressure3pm con Pressure9am
+    df['Pressure3pm'] = df['Pressure3pm'].fillna(df['Pressure9am'])
+
+    #Rellenemos valores faltanes de Cloud3pm con Cloud9am
+    df['Cloud3pm'] = df['Cloud9am'].fillna(df['Cloud9am'])
+
+    #Rellenemos valores faltanes de WindGustSpeed con WindSpeed9am y WindSpeed3pm
+    df['WindGustSpeed'] = df['WindGustSpeed'].fillna(df['WindSpeed9am'])
+    df['WindGustSpeed'] = df['WindGustSpeed'].fillna(df['WindSpeed3pm'])
+
+    return df
+
+def eliminar(df):
+    #Eliminamos Temp9am y Temp3pm
+    df = df.drop(['Temp9am','Temp3pm',], axis=1)
+
+    #Eliminamos Pressure9am
+    df = df.drop(['Pressure9am'], axis=1)
+
+    #Eliminamos WindSpeed9am y WindSpeed3pm
+    df = df.drop(['WindSpeed9am','WindSpeed3pm'], axis=1)
+
+    #Eliminamos Cloud9am
+    df = df.drop(['Cloud9am'], axis=1)
+
+    #Eliminamos Humidity9am
+    df = df.drop(['Humidity9am'], axis=1)
+
+    return df
+
+def rellenar_con_cols(df):
+    #Debido a que las variables Sunshine y Cloud3pm tienen una correlacion negativa, rellenaremos los valores nulos que podamos con el negativo de la otra
+    df['Sunshine'].fillna(-df['Cloud3pm'], inplace=True)
+
+    df['Cloud3pm'].fillna(-df['Sunshine'], inplace=True)
+
+    #Lo mismo haremos con Evaporation y MaxTemp, solo que estas se correlacionan positivamente
+    df['Evaporation'].fillna(df['MaxTemp'], inplace=True)
+
+    df['MaxTemp'].fillna(df['Evaporation'], inplace=True)
+
+    return df
+
+def eliminar_viento(df):
+  #Eliminamos WindDir9am y WindDir3pm
+  df = df.drop(['WindDir9am','WindDir3pm'], axis=1)
+  return df
+
+def dummies_elim(df):
+  #Aplicamos Dummies para las variables categoricas que tendremos en cuenta para nuestra prediccion
+
+  df = pd.get_dummies(df, columns=['season'])
+
+  df = pd.get_dummies(df, columns=['WindGustDir'])
+
+  df = pd.get_dummies(df, columns=['RainToday'])
+
+  #Eliminamos Date y Location ya que son variables que no son de nuestro interes
+  df = df.drop(['Date', 'Location'], axis=1)
+
+  return df
+
+def rellenar_ultimos(df):
+  # Lista de columnas numéricas y categóricas
+  columnas_numericas = ['Sunshine', 'WindGustSpeed', 'Humidity3pm', 'Pressure3pm','Rainfall', 'MinTemp',  'Cloud3pm', 'MaxTemp', 'Evaporation']
+  columnas_categoricas = ['WindGustDir']
+
+  # Imputador para rellenar valores nulos en columnas numéricas con la media
+  numeric_imputer = SimpleImputer(strategy='mean')
+  df[columnas_numericas] = numeric_imputer.fit_transform(df[columnas_numericas])
+
+  # Imputador para rellenar valores nulos en columnas categóricas con 'Sin dato'
+  categorical_imputer = SimpleImputer(strategy='constant', fill_value='Sin dato')
+  df[columnas_categoricas] = categorical_imputer.fit_transform(df[columnas_categoricas])
+  return df
+
+def agrego_columnas(df):
+    columns_to_add = ['season_Invierno', 'season_Otoño', 'season_Primavera', 'season_Verano',
+                      'WindGustDir_E', 'WindGustDir_ENE', 'WindGustDir_ESE', 'WindGustDir_N',
+                      'WindGustDir_NE', 'WindGustDir_NNE', 'WindGustDir_NNW',
+                      'WindGustDir_NW', 'WindGustDir_S', 'WindGustDir_SE', 'WindGustDir_SSE',
+                      'WindGustDir_SSW', 'WindGustDir_SW', 'WindGustDir_Sin dato',
+                      'WindGustDir_W', 'WindGustDir_WNW', 'WindGustDir_WSW', 'RainToday_Yes','RainToday_No']
+    # Obtener las columnas que no se encuentran en el DataFrame
+    columns_not_in_df = [col for col in columns_to_add if col not in df.columns]
+    
+    # Agregar las columnas faltantes con valor 0
+    for new_column in columns_not_in_df:
+        df[new_column] = 0
+        
+    df = df.drop(['RainToday_No'], axis=1)
+
+    df_deseado = ['MinTemp', 'MaxTemp', 'Rainfall', 'Evaporation', 'Sunshine',
+                  'WindGustSpeed', 'Humidity3pm', 'Pressure3pm', 'Cloud3pm',
+                  'season_Invierno', 'season_Otoño', 'season_Primavera', 'season_Verano',
+                  'WindGustDir_E', 'WindGustDir_ENE', 'WindGustDir_ESE', 'WindGustDir_N',
+                  'WindGustDir_NE', 'WindGustDir_NNE', 'WindGustDir_NNW',
+                  'WindGustDir_NW', 'WindGustDir_S', 'WindGustDir_SE', 'WindGustDir_SSE',
+                  'WindGustDir_SSW', 'WindGustDir_SW', 'WindGustDir_Sin dato',
+                  'WindGustDir_W', 'WindGustDir_WNW', 'WindGustDir_WSW', 'RainToday_Yes']
+
+
+    df = df[df_deseado]
+    return df
+
+
+
+def estandarizacion(df):
+  #Columnas numericas que estandarizaremos
+  numeric = ['MinTemp', 'MaxTemp', 'Rainfall', 'Humidity3pm','Pressure3pm','Sunshine','WindGustSpeed','Cloud3pm','Evaporation']
+
+  # Estandarizamos utilizando StandardScaler de sklearn
+  scaler = StandardScaler()
+
+  # estandarizamos las columnas numericas
+  df_scaled = df.copy()
+  df_scaled[numeric] = scaler.fit_transform(df[numeric])
+  return df_scaled
+
+
+def preprocesamiento(df):
+    #Dvidimos las estaciones
+    df = divide_estaciones(df)
+
+    #Rellenamos columnas con nulos
+    df = rellenar(df)
+
+    #Eliminamos features
+    df = eliminar(df)
+
+    #Rellenamos
+    df = rellenar_con_cols(df)
+
+    #Elimiamos viento
+    df = eliminar_viento(df)
+
+    #Por ultimo, rellenamos los valores que nos quedaron Nulos
+    df = rellenar_ultimos(df)
+
+    #Aplicamos dummies
+    df = dummies_elim(df)
+
+    #Agregamos columnas faltante
+    df = agrego_columnas(df)
+
+    return df