پیش‌بینی قیمت رمزارز با روشی جدید
از متخصصان داده موسسه فناوری Vellore هند روشی را برای پیش بینی قیمت رمزارز با تکیه بر شبکه عصبی LSTM (حافظه طولانی کوتاه-مدت) ارائه کرده.
به گزارش پایگاه خبری فناوری اطلاعات و ارتباطات به نقل از دیجییاتو،از متخصصان داده موسسه فناوری Vellore هند روشی را برای پیش بینی قیمت رمزارز با تکیه بر شبکه عصبی LSTM (حافظه طولانی کوتاه-مدت) ارائه کرده. در معماری LSTM برخلاف شبکه عصبی بازگشتی معمول، ذخیره سازی و دسترسی داده ها به صورتی کارآمدتر صورت می گیرد. از این نوع شبکه برای طبقه بندی، پردازش و پیش بینی سری های زمانی استفاده می شود.
به گفته Sagar قیمت رمزارزها تحت تاثیر چهار فاکتور پیشرفت های سریع فناوری، اقتصادی، امنیتی و حتی سیاسی قرار دارد. وی فرایندی چهار مرحله ای را برای پیش بینی قیمت رمزارز طراحی کرده که شامل جمع آوری داده های بلادرنگ در مورد ارزهای دیجیتال، آماده سازی داده ها برای آموزش شبکه عصبی، آزمایش پیش بینی با استفاده از شبکه LSTM و مصورسازی نتایج آن می شود.
این متخصص برای آموزش شبکه خود از مجموعه داده های CryptoCompare بهره می برد که شامل قیمت، حجم و پایین ترین و بالاترین نرخ هر رمزارز است. وی پیش از پیاده سازی و مصورسازی نتایج پیش بینی از خطای مطلق میانگین (MAE) به عنوان معیار ارزیابی استفاده کرده است.
از متخصصان داده موسسه فناوری Vellore هند روشی را برای پیش بینی قیمت رمزارز با تکیه بر شبکه عصبی LSTM (حافظه طولانی کوتاه-مدت) ارائه کرده.
به گزارش پایگاه خبری فناوری اطلاعات و ارتباطات به نقل از دیجییاتو،از متخصصان داده موسسه فناوری Vellore هند روشی را برای پیش بینی قیمت رمزارز با تکیه بر شبکه عصبی LSTM (حافظه طولانی کوتاه-مدت) ارائه کرده. در معماری LSTM برخلاف شبکه عصبی بازگشتی معمول، ذخیره سازی و دسترسی داده ها به صورتی کارآمدتر صورت می گیرد. از این نوع شبکه برای طبقه بندی، پردازش و پیش بینی سری های زمانی استفاده می شود.
به گفته Sagar قیمت رمزارزها تحت تاثیر چهار فاکتور پیشرفت های سریع فناوری، اقتصادی، امنیتی و حتی سیاسی قرار دارد. وی فرایندی چهار مرحله ای را برای پیش بینی قیمت رمزارز طراحی کرده که شامل جمع آوری داده های بلادرنگ در مورد ارزهای دیجیتال، آماده سازی داده ها برای آموزش شبکه عصبی، آزمایش پیش بینی با استفاده از شبکه LSTM و مصورسازی نتایج آن می شود.
این متخصص برای آموزش شبکه خود از مجموعه داده های CryptoCompare بهره می برد که شامل قیمت، حجم و پایین ترین و بالاترین نرخ هر رمزارز است. وی پیش از پیاده سازی و مصورسازی نتایج پیش بینی از خطای مطلق میانگین (MAE) به عنوان معیار ارزیابی استفاده کرده است.
