Artificial neural networks are modern methods suitable for solving the problem of nonlinear dependency approximation, which is successfully applied in many fields. This paper compares the predictive capabilities of Back Propagation, Radial Basis Function, Extreme Learning Machine, and Long-Short Term Memory neural networks to determine which artificial intelligence algorithm is best for modeling the price of Bitcoin opening. The criterion for comparing network performance was the standard deviation, the mean absolute deviation, and the accuracy of predicting the direction of change of course. At the same time, in the study of time series, it is recommended to perform a comprehensive data analysis using appropriate networks, depending on the length of the series and the specificity of the database.
Штучні нейронні мережі - це сучасний метод, придатний для вирішення задачі апроксимації нелінійної залежності, що успішно застосовується у багатьох сферах. У цій статті порівнюються можливості прогнозування нейронних мереж зворотного поширення, радіально- базисних функцій, екстремальної машини навчання та довгої короткотермінової пам"яті, щоб визначити, який алгоритм штучного інтелекту найкращий для моделювання ціни біткойну. Критерієм порівняння проду&ктивності мережі було стандартне відхилення, середнє аб солютне відхилення та точність прогнозування напрямку зміни курсу. Разом із тим, при вивченні часових рядів рекомендується проводити комплексний аналіз даних, використовуючи відповідні мережі, з&алежно від довжини ряду та специфіки бази даних.
Искусственные нейросети - это современный метод, пригодный для решения задач аппроксимации нелинейной зависимости, который успешно применяется во многих сферах. В этой статье сравниваются возможности &прогнозирования нейронных сетей обратного распространения, радиально-базисных функций, экстремальной машины обучения, долгой краткосрочной памяти, чтобы определить, какой алгоритм искусственного интеллекта лучший для моделирования цены биткойна. Крит&ерием сравнения производительности сети было стандартное отклонение, среднее абсолютное отклонение и точность прогнозирования направления изменения курса. Вместе с тем, при изучении временных рядов рекомендуется проводить комплексный анализ данных, и&спользуя соответствующие сети в зависимости от длины ряда и специфики базы даннях.
