dc.contributor.author |
Плечистий, Д.Д. |
|
dc.contributor.author |
Сітайло, М.С. |
|
dc.contributor.author |
Plechystyy, D. |
|
dc.contributor.author |
Sitailo, M. |
|
dc.date.accessioned |
2024-08-23T09:58:34Z |
|
dc.date.available |
2024-08-23T09:58:34Z |
|
dc.date.issued |
2024 |
|
dc.identifier.uri |
http://eztuir.ztu.edu.ua/123456789/8596 |
|
dc.description.abstract |
Прогнозування вартості активів завжди викликало значний інтерес, спонукаючи дослідників постійно вдосконалювати методи та інструменти вирішення цього завдання. Розвиток штучного інтелекту значно збільшив потенціал досліджень у цій сфері, приводячи до виникнення нових алгоритмів і методів, які використовують переваги швидкості обчислень та точності нейронних мереж. Це підтримало активне дослідження машинного навчання в контексті прогнозування, що призвело до появи нових варіацій і модифікацій алгоритмів. Однак велика кількість досліджень вимагає від користувачів самостійного аналізу та експериментальної перевірки їх ефективності. Стаття містить результати дослідження можливості використання автоматизованого машинного навчання для аналізу методів прогнозування курсу криптовалют. На момент проведення дослідження автоматизованого машинного навчання здебільшого використовується з метою спрощення процесу використання машинного навчання для розв’язання певних практичних задач. Проте такий підхід також дозволяє провести автоматизацію процесу порівняння результатів різноманітних досліджень й значно спрощує та пришвидшує їх узагальнення. В основу автоматизованого машинного навчання покладено взаємопов’язаний набір процесів, які об’єднуються у конвеєр. Зазвичай конвеєр містить набір автоматизованих операцій від обробки даних до генерації результатів, що значно пришвидшує та спрощує процес отримання й використання результатів. У статті описуються особливості архітектури та реалізації кожного з етапів для вирішення завдання, що надає змогу максимально автоматизувати процеси збору та обробки даних, створення й навчання моделей машинного навчання, а також генерації й обробки отриманих результатів. У підсумку користувач має змогу налаштовувати підтримувані алгоритми та методи за допомогою користувацького інтерфейсу й згодом аналізувати отримані результати за допомогою спроєктованої системи. |
uk_UA |
dc.language.iso |
uk |
uk_UA |
dc.publisher |
Державний університет "Житомирська політехніка" |
uk_UA |
dc.relation.ispartofseries |
Технічна інженерія;1(93) |
|
dc.subject |
система аналізу методів |
uk_UA |
dc.subject |
алгоритми прогнозування курсу криптовалют |
uk_UA |
dc.subject |
нейронні мережі |
uk_UA |
dc.subject |
машинне навчання |
uk_UA |
dc.subject |
автоматизоване машинне навчання |
uk_UA |
dc.subject |
AutoML |
uk_UA |
dc.subject |
system for methods analysis |
uk_UA |
dc.subject |
cryptocurrency rate forecasting methods |
uk_UA |
dc.subject |
neural networks |
uk_UA |
dc.subject |
machine learning |
uk_UA |
dc.subject |
automated machine learning |
uk_UA |
dc.title |
Дослідження застосування автоматизованого машинного навчання для порівняльного аналізу методів прогнозування курсу криптовалют |
uk_UA |
dc.title.alternative |
Research of the application of automated machine learning for the comparative analysis of cryptocurrency rate forecasting methods |
uk_UA |
dc.type |
Article |
uk_UA |
dc.description.abstracten |
The forecasting of asset values has always attracted significant interest, prompting researchers to continuously refine methods and tools for addressing this task. The advancement of artificial intelligence has greatly enhanced research potential in this field, leading to the emergence of new algorithms and methods that leverage the advantages of computational speed and the accuracy of neural networks. This has fueled active research in machine learning for forecasting, resulting in the development of new variations and modifications of algorithms. However, the abundance of research necessitates users to independently analyze and experimentally verify their effectiveness. This article explores the possibility to apply automated machine learning (AutoML) to analyze and compare methods for cryptocurrency price predictions. At the time of the research, AutoML is mostly used to simplify the process of using machine learning to solve general practical problems. However, this approach allows automating the process of comparing the results of various studies and significantly simplifying the process of their generalization. Automated machine learning is based on a predefined set of interdependent processes that are combined into a pipeline. Usually, the pipeline consists of automated operations from data processing till the results generation, that significantly improves the process of results obtaining and analysis. The article describes the main principles and features of the system and how each pipeline's phase was modified to accomplish our task. The described architecture makes it possible to automate such processes as data collection and processing, creation and training of machine learning models, generation and processing of the received outputs. As a result, the user of the designed system can configure any of the supported algorithms using the user interface and later analyze the obtained results using the corresponding program modules. |
uk_UA |