| Περίληψη: | Η παρούσα διπλωματική εργασία ασχολείται με την πρόβλεψη της κατεύθυνσης της μεταβλητότητας του κρυπτονομίσματος Bitcoin με τη χρήση αλγορίθμων μηχανικής μάθησης. Στόχος της συγκεκριμένης εργασίας ήταν η ανάπτυξη του κώδικα διαφόρων αλγορίθμων μηχανικής μάθησης, η εφαρμογή του σε πραγματικά δεδομένα τιμών του Bitcoin και πιο συγκεκριμένα η πρόβλεψη της μεταβλητότητας του κρυπτονομίσματος καθώς και η αξιολόγηση του κάθε αλγορίθμου σύμφωνα με την ακρίβειας που πετυχαίνει. Αρχικά έγινε μια επισκόπηση στην υπάρχουσα βιβλιογραφία σχετικά με τους αλγορίθμους μηχανικής μάθησης, το κρυπτονόμισμα Bitcoin, τη μεταβλητότητα και το συνδυασμό των ανωτέρων θεμάτων. Στη συνέχεια πραγματοποήθηκε η συλλογή και επεξεργασία των δεδομένων, καθώς και ο διαχωρισμός τους με κατάλληλο τρόπο σε δεδομένα εκπαίδευσης και ελέγχου, ώστε να μπορεί να γίνει η χρήση τους από τους αλγορίθμους που επιλέχθηκαν να εφαρμοστούν. Συγκεκριμένα, με βάση την υπάρχουσα βιβλιογραφία, επιλέχθηκε να γίνει η εφαρμογή τριών αλγορίθμων μηχανικής μάθησης, του Support vector machine, του Random forest και του Naive Bayes καθώς και μια οικονομικής μεθόδου, της λογιστικής παλινδρόμησης, η οποία χρησιμοποιήθηκε ως βάση για τη σύγκριση των αποτελεσμάτων. Τελος, έγινε η διεξαγωγή των αποτελεσμάτων σχετικά με την ακρίβεια και παρατηρήθηκε ότι ο αλγόριθμος Support Vector Machine είναι ο πιο αποδοτικός, με ακρίβεια πρόβλεψης 64.19\%, στην συνέχεια ακολουθεί ο αλγόριθμος Random Forest, με ακρίβεια πρόβλεψης 63.51\%, έπειτα βρίσκεται ο αλγόριθμος Naive Bayes, με ακρίβεια πρόβλεψης 58.45\% και τέλος η Λογιστικη Παλινδρομηση παρουσίασε την χαμηλότερη ακρίβεια, με ποσοστό 57.77\%
|
|---|
