1. Repositório Institucional - Universidade Federal de Uberlândia
  2. Faculdade de Computação (FACOM)
  3. TCC - Sistemas de Informação (Monte Carmelo)
Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/36140
Full metadata record
DC FieldValueLanguage
dc.creatorPereira, João Vitor-
dc.date.accessioned2022-09-21T19:36:55Z-
dc.date.available2022-09-21T19:36:55Z-
dc.date.issued2022-08-19-
dc.identifier.citationPEREIRA, 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.urihttps://repositorio.ufu.br/handle/123456789/36140-
dc.languageporpt_BR
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectBitcoinpt_BR
dc.subjectRedes neurais artificiaispt_BR
dc.subjectAprendizado de máquinaspt_BR
dc.subjectRedes neurais recorrentespt_BR
dc.subjectLSTMpt_BR
dc.titleAplicando redes neurais na predição de valores da moeda Bitcoinpt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.contributor.advisor1Santos, Fernanda Maria da Cunha-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/6802596562404346pt_BR
dc.contributor.referee1Araújo, Rafael Dias-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/3067137114142725pt_BR
dc.contributor.referee2Paulino, Alessandra Aparecida-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/8756345494319305pt_BR
dc.description.degreenameTrabalho de Conclusão de Curso (Graduação)pt_BR
dc.description.resumoAs 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.countryBrasilpt_BR
dc.publisher.courseSistemas de Informaçãopt_BR
dc.sizeorduration42pt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRApt_BR
dc.orcid.putcode119467852-
Appears in Collections:TCC - Sistemas de Informação (Monte Carmelo)

Files in This Item:
File Description SizeFormat 
AplicandoRedesNeurais.pdfTCC1.01 MBAdobe PDFThumbnail
View/Open
Show simple item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.