Última actualización
3 abr 2018
Cryptomon proporciona un conjunto de predicciones e indicadores modernos para dominar las estrategias de negociación. Cualquier operador de cifrado armado con poder computacional y ciencia de datos puede tomar decisiones comerciales más inteligentes y más rápidas y maximizar los beneficios comerciales. Entonces, ¿por qué usar un indicador heredado como MA (Moving Average), cuando tenemos inteligencia de máquina?
- & nbsp; Notificaciones de señales comerciales
- & nbsp; algoritmos e indicadores de predicción
- & nbsp; aprendizaje automático
K-nearest neighbors
The k-nearest neighbors (KNN) algorithm is a non-parametric algorithm that can be used for either classification or regression. Non-parametric means that it makes no assumption about the underlying data or its distribution. It is one of the simplest Machine Learning algorithms, and has applications in a variety of fields, ranging from the healthcare industry, to the finance industry. More info on wikipedia. Source code available on GitHub.
Multilayer perceptron
A multilayer perceptron (MLP) is a feedforward artificial neural network model that maps sets of input data onto a set of appropriate outputs. An MLP consists of multiple layers of nodes in a directed graph, with each layer fully connected to the next one. Except for the input nodes, each node is a neuron (or processing element) with a nonlinear activation function. MLP utilizes a supervised learning technique called backpropagation for training the network.MLP is a modification of the standard linear perceptron and can distinguish data that are not linearly separable. More info on wikipedia. Source code available on GitHub.
LSTM
A powerful type of neural network designed to handle sequence dependence is called recurrent neural networks. The Long Short-Term Memory network or LSTM network is a type of recurrent neural network used in deep learning because very large architectures can be successfully trained. More info on wikipedia.
WTBS indicator
When To Buy and Sell technical indicator is based on CNN - Convolutional Neural Network. NN use a variation of multilayer perceptrons designed to require minimal preprocessing. They are also known as shift invariant or space invariant artificial neural networks (SIANN), based on their shared-weights architecture and translation invariance characteristics. Convolutional networks were inspired by biological processes in which the connectivity pattern between neurons is inspired by the organization of the animal visual cortex. More info on wikipedia. Source code available on GitHub.
June 2017
Q3 - Q4 2017
Q1 2018
Q2 2018
Q3 2018
Q4 2018
Q1 - Q2 2019
Esta oferta se basa en información proporcionada únicamente por el oferente y otra información públicamente disponible. El evento de venta o intercambio de fichas no tiene relación alguna con ICOholder e ICOholder no participa en él (incluido cualquier soporte técnico o promoción). Las ventas de tokens enumeradas de personas con las que ICOholder no tiene relación se muestran solo para ayudar a los clientes a realizar un seguimiento de la actividad que tiene lugar dentro del sector token general. Esta información no pretende constituir un asesoramiento en el que debe confiar. Debe obtener asesoramiento profesional o especializado o llevar a cabo su propia diligencia debida antes de tomar, o abstenerse de, cualquier acción en función del contenido de nuestro sitio. Los términos y condiciones que ingresen los contribuyentes con respecto a la adquisición de Tokens se encuentran entre ellos y el emisor del Token y ICOholder no es el vendedor de dichos Tokens. ICOholder no tiene ninguna responsabilidad legal por las declaraciones realizadas por terceros con respecto a cualquier venta de Token y cualquier reclamo por incumplimiento de contrato también debe realizarse directamente contra la entidad emisora del Token que se detalla en este documento.
Si tiene alguna inquietud acerca de la naturaleza, propiedad o legalidad de esta venta de tokens o de las personas involucradas en ella, póngase en contacto con info@icoholder.com . con información detallada sobre sus inquietudes.