Πρόβλεψη της τιμής των κρυπτονομισμάτων με τεχνικές βαθιάς μάθησης σε δεδομένα μεγάλου όγκου
| datacite.contributor.RelatedPerson | Μακρής, Χρήστος | |
| datacite.contributor.RelatedPerson | Τσώλης, Δημήτρης | |
| datacite.contributor.Supervisor | Σιούτας, Σπυρίδων | |
| dc.contributor.author | Τριπολίτης, Ιωάννης-Νικόλαος | |
| dc.contributor.other | Tripolitis, Ioannis-Nikolaos | |
| dc.date.accessioned | 2023-10-04T06:13:35Z | |
| dc.date.available | 2023-10-04T06:13:35Z | |
| dc.date.issued | 2023-10-02 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Τα στατιστικά μοντέλα σε συνδυασμό με την μηχανική μάθηση έχουν απόκτηση μεγάλη σημασία στην σύγχρονη ζωή αφού πλέον είναι πανταχού παρών. Σε αυτή την διπλωματική έχει γίνει μια προσπάθεια επίλυσης του προβλήματος πρόβλεψής τιμών χρησιμοποιώντας ως δεδομένα τις τιμές διάφορων κρυπτονομισμάτων χειρίζοντας τες ως μια χρονοσειρά χρησιμοποιώντας τες για την κατασκευή και εκπαίδευση βαθιών νευρωνικών δικτύων για πρόβλεψη των μελλοντικών τους τιμών. Στην αρχή δίνεται μια εξήγηση το τι είναι οι χρονοσειρες και οι διάφοροι τρόποι που μπορείς να τις προβλέψεις καθώς επίσης και το γιατί καταλήξαμε στην χρήση βαθιών νευρωνικων δικτύων για τα συγκεκριμένα δεδομένα , στην συνέχεια αναλύονται τα νευρωνικά δίκτυα πιο συγκεκριμένα τα mlp, rnn, lstm και lstm διπλής κατεύθυνσης ως εργαλεία τα οποία είναι στη διάθεση των πιο σύγχρονων τεχνολογιών αιχμής και χρησιμοποιούνται καθημερινά για διαφορά πράγματα, όπως και η πρόβλεψη του χρηματιστήριου η και των κρυπτονομισμάτων. Έπειτα από την αναλυτική παρουσίαση των παραπάνω θα πραγματοποιηθεί μια ανάλυση πάνω στις χρονομέτρες των κρυπτονομισμάτων για την εξαγωγή απαραίτητων συμπερασμάτων για την κατασκευή των βαθιών νευρωνικών δικτύων τα οποία θα χρησιμοποιηθούν για τις προβλέψεις τους. Στο τέλος θα γίνει μια σύγκριση των προβλέψεων του κάθε νευρωνικού δικτυού. | |
| dc.description.translatedabstract | Statistical models combined with machine learning have gained importance when they have become ubiquitous in modern life. This diploma thesis has a target to provide a solution to the price prediction problem using as a dataset cryptocurrencies treating them like time series and using them to create and teach deep neural networks for forecasting their prices. In the first part of the dissertation an introduction to time series and the procedure of forecasting it is given and why in the end deep newral networks were chosen as the tool that best fits the job of doing so, Neural networks in particular mlp, rnn lstm and last but not least bi-lstm are then analyzed as tools that are at the disposal of the most modern cutting-edge technologies and are used daily for lots of things, like the forecasting of stocks and cryptocurrencies. After an analytical presentation of the above an exploratory data analysis is done on the time series to best discern how to build the deep neural networks that are going to be used for the forecasting. In the end a comparison is made between all the predictions of the deep neural networks. | |
| dc.identifier.uri | https://hdl.handle.net/10889/25755 | |
| dc.language.iso | el | |
| dc.rights | Attribution-NonCommercial 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc/3.0/us/ | * |
| dc.subject | Νευρωνικά δίκτυα | |
| dc.subject | Εξόρυξη δεδομένων | |
| dc.subject | Πρόβλεψη χρονοσειρών | |
| dc.subject.alternative | Neural networks | |
| dc.subject.alternative | Data mining | |
| dc.subject.alternative | Time series forecasting | |
| dc.title | Πρόβλεψη της τιμής των κρυπτονομισμάτων με τεχνικές βαθιάς μάθησης σε δεδομένα μεγάλου όγκου | |
| dc.title.alternative | Cryptocurrencies forecasting using deep learning in big data |