Uzun Kısa-Süreli Bellek ile Kripto Para Fiyatlarının Tahmini

Öz

Yapay Zeka 1950’lerden buy ana önemli popülerlik kazanan disiplinlerden birisidir. İnsanlar gibi düşünen ve bilgi üreten bilgisayarların tasarlanmak istemesi bilim insanları ve bilgisayar mühendislerinin bu alana katkı yapmasına olanak tanımıştır. Robotlar, yazılımlar ve algoritmalar gibi araçlar bu amaç doğrultusunda üretilmiştir. Birçok diğer disiplin gibi Yapay Zeka’da farklı alt disiplinlere ayrılmıştır. Bu dallardan biri ‘Makine Öğrenmesi’ olarak adlandırılmıştır. Makine Öğrenmesi’nin Gözetimli Öğrenme, Gözetimsiz Öğrenme ve Derin Öğrenme gibi alt disiplinleri vardır. Derin Öğrenme bu çalışmada kullanılan Makine Öğrenmesi tekniğidir. Kompleks durumlarla başa çıkma özelliği Derin Öğrenme modellerinin farklı alanlarda yaygın olarak kullanılmasına olanak tanır. Kripto para fiyatlarını tahmin etmek bu uygulamalara örnek olarak verilebilir. Yatırımcıların kripto para fiyatlarındaki trendi gözlemleme ve yatırım riskini azaltma isteği sebebiyle etkin bir yöntem kullanmak oldukça önemlidir. Bu amaçla Derin Öğrenme’nin bir çeşidi olan uygun parametrelere sahip Python programlama dili ile yazılmış bir Uzun Kısa-Süreli Bellek modeli bizler tarafından oluşturulmuştur. Modeli beslemek için kullandığımız veri seti internetten alınmıştır. Bu veri seti ile algoritma çalıştırıldığı zaman modelin geçerliliğini hesaplamak için ise Ortalama Kare Yöntemi denilen bir istatistiksel araca başvurulmuştur. Modelin çıktılarını görselleştimesi içinse Python dili için yazılmış Matplotlib kütüphanesi tercih edilmiştir. Bunun yanı sıra, modeli değerlendirdikten sonra gerekli yorumlar ve geleceğe yönelik çalışmalar hakkında bilgi tarafımızca sonuçlar kısmında sağlanacaktır.

Anahtar Kelimeler

• Kripto Para
• Derin Öğrenme
• Uzun Kısa-Süreli Bellek
• Tahmin

Forecasting Cryptocurrency Prices Using Long Short-Term Memory

Abstract

Since the 1950s a discipline called ‘Artificial Intelligence’ has been gaining significant popularity. The curiosity about creating computers that can think and produce information like human beings has allowed scientists and computer engineers to contribute to this field. Many components such as robots, softwares and algorithms have been produced due to this purpose. Like various disciplines, Artificial Intelligence has been branched into several sub-disciplines. One of these branches is named ‘Machine Learning’. Machine Learning has different types of sub-branches such as Supervised Learning, Unsupervised Learning and Deep Learning. Deep Learning is the main Machine Learning technique used in this study. The ability to cope with complex situations allows Deep Learning models to be used in different application areas widespread. Predicting cryptocurrency prices can be counted as one of these applications. Because of investors’ desire to observe the cryptocurrency prices trend and reduce the investment risk using an effective method is becoming crucial. For this purpose, we created a Long Short-Term Memory which is a type of Deep Learning with the appropriate parameters via Python programming language. The dataset which is used to feed this model was obtained from the internet. After running the algorithm with this dataset, the validity of the model is calculated by a statistical tool called Mean Square Error. To visualize the effectiveness of the model’s output, a Python programming language library known as Matplotlib was chosen. Also, after the reviewing results of the model required interpretations and information about future studies will be explained by us in the Conclusion chapter.

Keywords

• Cryptocurrency
• Deep Learning
• Long Short-Term Memory
• Forecasting

Kaynakça

1. Haenlein, M., & Kaplan, A. (2019). A brief history of artificial intelligence: On the past, present, and future of artificial intelligence. California management review, 61(4), 5-14.
2. Basheer, I. A., & Hajmeer, M. (2000). Artificial neural networks: fundamentals, computing, design, and application. Journal of microbiological methods, 43(1), 3-31.
3. Doherty, K., Adams, R. G., & Davey, N. (2004). Non-Euclidean norms and data normalisation. In Proceedings of the European Symposium on Artificial Neural Networks Bruges (Belgium), 28-30 April 2004, d-side publi., ISBN 2-930307-04-8, pp. 181-186
4. Yu, Y., Si, X., Hu, C., & Zhang, J. (2019). A review of recurrent neural networks: LSTM cells and network architectures. Neural computation, 31(7), 1235-1270.
5. Frost, J., (n.d). Mean Squared Error (MSE). Retrieved from https://statisticsbyjim.com/regression/mean-squared-error-mse/
6. Choi, D., Shallue, C. J., Nado, Z., Lee, J., Maddison, C. J., & Dahl, G. E. (2019). On empirical comparisons of optimizers for deep learning. arXiv preprint arXiv:1910.05446.
7. Awoke, T., Rout, M., Mohanty, L., & Satapathy, S. C. (2021). Bitcoin price prediction and analysis using deep learning models. In Communication Software and Networks (pp. 631-640). Springer, Singapore.