Please use this identifier to cite or link to this item:
https://repositorio.ufu.br/handle/123456789/36140
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.creator | Pereira, João Vitor | - |
dc.date.accessioned | 2022-09-21T19:36:55Z | - |
dc.date.available | 2022-09-21T19:36:55Z | - |
dc.date.issued | 2022-08-19 | - |
dc.identifier.citation | PEREIRA, João Vitor. Aplicando redes neurais na predição de valores da moeda Bitcoin. 2022. 42 f. Trabalho de Conclusão de Curso (Graduação em Sistemas de Informação) – Universidade Federal de Uberlândia, Monte Carmelo, 2022. | pt_BR |
dc.identifier.uri | https://repositorio.ufu.br/handle/123456789/36140 | - |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal de Uberlândia | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Bitcoin | pt_BR |
dc.subject | Redes neurais artificiais | pt_BR |
dc.subject | Aprendizado de máquinas | pt_BR |
dc.subject | Redes neurais recorrentes | pt_BR |
dc.subject | LSTM | pt_BR |
dc.title | Aplicando redes neurais na predição de valores da moeda Bitcoin | pt_BR |
dc.type | Trabalho de Conclusão de Curso | pt_BR |
dc.contributor.advisor1 | Santos, Fernanda Maria da Cunha | - |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/6802596562404346 | pt_BR |
dc.contributor.referee1 | Araújo, Rafael Dias | - |
dc.contributor.referee1Lattes | http://lattes.cnpq.br/3067137114142725 | pt_BR |
dc.contributor.referee2 | Paulino, Alessandra Aparecida | - |
dc.contributor.referee2Lattes | http://lattes.cnpq.br/8756345494319305 | pt_BR |
dc.description.degreename | Trabalho de Conclusão de Curso (Graduação) | pt_BR |
dc.description.resumo | As Redes Neurais Recorrentes aplicadas à séries de dados temporais do mercado financeiro define-se por mais uma técnica de aprendizado de máquina promissora na previsão da movimentação das criptomoedas. A base de dados foi obtida por informações reais do mercado financeiro da criptomoeda Bitcoin. Assim, definiu-se modelos computacionais formados pelas redes neurais recorrentes Long short-term memory (LSTM) e Multilayer Perceptron e pelo K Nearest Neighbor (KNN), obtendo melhores resultados a rede neural recorrente com 72% de acurácia. | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.course | Sistemas de Informação | pt_BR |
dc.sizeorduration | 42 | pt_BR |
dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA | pt_BR |
dc.orcid.putcode | 119467852 | - |
Appears in Collections: | TCC - Sistemas de Informação (Monte Carmelo) |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
AplicandoRedesNeurais.pdf | TCC | 1.01 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.