سایر حوزه های مرتبط
امیر شریف فر؛ مریم خلیلی عراقی؛ ایمان رئیسی وانانی؛ میرفیض فلاح شمس
چکیده
الگوریتمهای مبتنی بر شبکه عصبی پیچشی (CNN) که شاخهای از مبحث یادگیری عمیق هستند، در سالهای اخیر پیشرفت چشمگیری در حوزههای تحلیل فیلم و تصویر داشتهاند؛ موفقیت و مقبولیت الگوهای نوین این حوزه باعث بکارگیری گسترده آنها در زمینههای مختلف اعم از تحلیل متن و دادههای سری زمانی شده است. یادگیری عمیق بخشی از الگوریتمهای یادگیری ...
بیشتر
الگوریتمهای مبتنی بر شبکه عصبی پیچشی (CNN) که شاخهای از مبحث یادگیری عمیق هستند، در سالهای اخیر پیشرفت چشمگیری در حوزههای تحلیل فیلم و تصویر داشتهاند؛ موفقیت و مقبولیت الگوهای نوین این حوزه باعث بکارگیری گسترده آنها در زمینههای مختلف اعم از تحلیل متن و دادههای سری زمانی شده است. یادگیری عمیق بخشی از الگوریتمهای یادگیری ماشینی است که از چندین لایهی پردازش اطلاعات و بهویژه اطلاعات غیرخطی بهره میبرد تا از ورودی خام، بهترین ویژگیهای مناسب را با هدف تحلیل، بازشناخت الگو و یا پیشبینی استخراج کند. در پژوهش حاضر توانایی معماریهای مختلف الگوریتم CNN جهت پیشبینی قیمت سهام مورد بررسی قرار گرفته است. نتایج حاصل از اجرای الگوریتم به تعداد 54 دفعه با معماریها و پارامترهای متفاوت و با استفاده از دو دسته اصلی دادههای ورودی شامل اطلاعات قیمتی روزانه سهام و ده شاخص منتخب تکنیکال برای سهام شرکت ذوب آهن اصفهان نشان میدهد که استفاده از CNN همراه با لایه ادغام بیشینه (ترکیب پارامترهای اندازه دسته 64، تعداد فیلتر 256 و با تابع فعالسازی ReLU)، دارای خطاهای 1/79% = MAPE و 2/71% = NRMSE است که نشان دهنده عملکرد بهتر آن نسبت به سایر معماریها و الگوریتم RNN است.