Авторы

Построение и анализ модели машинного обучения для краткосрочного прогнозирования рынка биткоина на основе рекуррентных нейронных сетей

В настоящей статье построение и анализ моделей машинного обучения были произведены для краткосрочного прогнозирования на криптовалютном рынке на примере биткоина – одной из самых популярных криптовалют в мире. Исходные данные для проведения исследования позволяют сделать вывод о том, что за длительный период своего существования биткоин показывал высокую степень волатильности, особенно ярко проявляющуюся в сравнении с традиционными типами активов. В статье обосновано, что криптовалютный рынок подвержен влиянию множества факторов. Никто точно не может сказать, из чего складывается стоимость той или иной криптовалюты, так как она зависит от целого спектра причин, учесть которые полностью не представляется возможным. Для решения данной проблемы нами рассмотрен принцип работы рекуррентной нейронной сети. Описано, почему сети с памятью справляются с предсказаниями на временном ряде лучше, чем обычная авторегрессионная модель и стандартные сети прямого распространения. Определен алгоритм обработки исходных данных и методы их преобразования. Была произведена фильтрация резких скачков и осцилляции с целью уменьшения шума исходного ряда. Построен и обучен алгоритм семейства рекуррентных нейронных сетей с целью проверки гипотезы об их лучшей адаптивности за счет краткосрочной и долгосрочной памяти. Модель оценена на тестовых данных, представляющих собой курс биткоина за 2021–2022 годы, так как этот период характерен высокой волатильностью. Сделан вывод о целесообразности применения схожего типа моделей для краткосрочного прогнозирования курса криптовалют. Читать дальше...

Методика предобработки данных машинного обучения для решения задач компьютерного зрения

В сфере машинного обучения не существует единой методологии предобработки данных, так как все этапы этого процесса являются уникальными, под конкретную задачу. Однако в каждом направлении используется определенный тип данных. В гипотезе исследования предполагается, что можно четко структурировать последовательности и фазы подготовки данных для задач распознавания текстов. В статье рассмотрены основные принципы предобработки данных и выделение последовательных этапов как конкретной методики для задачи распознавания символов азбук. В качестве исходных данных были выбраны изображения набора ETL. Предобработка включала в себя этапы работы с изображениями, на каждом из которых в исходные данные вносились изменения. Первым шагом являлось кадрирование, которое позволило избавиться от лишней информации на изображении. Далее был рассмотрен подход преобразования изображения к исходному соотношению сторон и определен метод преобразования из оттенков серого в черно-белый формат. На следующем этапе были искусственно расширены линии символов для лучшего распознавания печатных азбук. На последнем этапе предобработки данных была произведена аугментация, которая позволила лучше распознавать символы азбук независимо от их положения в пространстве. Как результат, была выстроена общая структура методики предобработки данных для задач распознавания текстов. Читать дальше...