|
| Titre : | Time series forecasting using deep learning | | Type de document : | theses et memoires | | Auteurs : | Kaouther Fenane, Auteur ; Arezki Oukaci, Auteur ; Lynda Khiali, Directeur de thèse | | Editeur : | TIZI-OUZOU : FGEI.UMMTO | | Année de publication : | 2022 | | Importance : | 40 p. | | Présentation : | ill. | | Format : | 30 cm. | | Note générale : | Bibliogr. | | Langues : | Français | | Mots-clés : | Time series forecasting, Bitcoin price prediction, deep learning, ANN, CNN, RNN, LSTM. | | Résumé : | Dans cette article, on présente une étude qui prédit le prix du Bitcoin en utilisant des algorithmes d’apprentissage profond. Cette étude examine des applications de série temporelle en utilisant les modèles suivants artificiel neural networks (ANN), convolutional neural networks (CNN), récurrent neural networks (RNN), and long short-term memory (LSTM). Notre objectif est de prédire l’évolution du prix dans le futur en analysant les données du Bitcoin. Les données pertinentes qu’on a utilisées sont les suivants: mean-fee-satoshi, HashRate, Nb-transactions, mean-fee-USD, and total-fee. On a utilisé des métriques pour évaluer les résultats obtenu et qui sont : Mean Squared Error (MSE), Mean Absolute Error (MAE), R-Squared (R2), and Root Mean Squared Error (RMSE). Le meilleur obtenu a été données en utilisant l’algorithme ANN avec la combinaison de HashRate et mean-fee-satoshi.
| | Diplôme : | Master | | Permalink : | ./index.php?lvl=notice_display&id=36844 |
Time series forecasting using deep learning [theses et memoires] / Kaouther Fenane, Auteur ; Arezki Oukaci, Auteur ; Lynda Khiali, Directeur de thèse . - TIZI-OUZOU (TIZI-OUZOU) : FGEI.UMMTO, 2022 . - 40 p. : ill. ; 30 cm. Bibliogr. Langues : Français | Mots-clés : | Time series forecasting, Bitcoin price prediction, deep learning, ANN, CNN, RNN, LSTM. | | Résumé : | Dans cette article, on présente une étude qui prédit le prix du Bitcoin en utilisant des algorithmes d’apprentissage profond. Cette étude examine des applications de série temporelle en utilisant les modèles suivants artificiel neural networks (ANN), convolutional neural networks (CNN), récurrent neural networks (RNN), and long short-term memory (LSTM). Notre objectif est de prédire l’évolution du prix dans le futur en analysant les données du Bitcoin. Les données pertinentes qu’on a utilisées sont les suivants: mean-fee-satoshi, HashRate, Nb-transactions, mean-fee-USD, and total-fee. On a utilisé des métriques pour évaluer les résultats obtenu et qui sont : Mean Squared Error (MSE), Mean Absolute Error (MAE), R-Squared (R2), and Root Mean Squared Error (RMSE). Le meilleur obtenu a été données en utilisant l’algorithme ANN avec la combinaison de HashRate et mean-fee-satoshi.
| | Diplôme : | Master | | Permalink : | ./index.php?lvl=notice_display&id=36844 |
|
Ajouter le résultat dans votre panier Faire une suggestion Affiner la recherche Interroger des sources externesTime series forecasting using deep learning / Kaouther Fenane (2022)
