Yazar
Pala, Mustafa
Basım Tarihi
2024
Konu
Transfer öğrenimi (Makine öğrenimi), NFT'ler (Tokenlar), Blok zincirleri (Veritabanları), Kripto para birimleri, Bilgisayar mühendisliği
Tür
Belge
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Kayıt Numarası
0bed01b7-9389-4d6d-9f4e-4b5b16e1d22d
Lokasyon
Bilgisayar Bilimleri Bölümü
Tarih
2024
Örnek Metin
Değiştirilemez tokenler~(NFT'ler), mülkiyeti bir blockchain üzerinde tanımlanan benzersiz dijital varlıklardır. NFT'ler sanat eserleri, resimler, videolar vb. gibi birden fazla farklı nesneyi temsil edebilir. NFT'ler neredeyse her zaman Ethereum gibi kripto para birimleri kullanılarak alınıp satılır ve bunları kodlamak için blok zincirlerden yararlanılır. Son zamanlarda bunların ticaretine olan ilgide bir artış oldu ve bu da onları başka bir alternatif yatırım türü haline getiriyor. Mevcut araştırmalar ağırlıklı olarak NFT'lerin teknik yönlerine odaklanırken fiyatlarının tahmin edilmesine sınırlı önem verilmiştir. Aşırı spekülasyon, likidite kısıtlamaları, nadirlik, öznellik ve piyasa oynaklığı gibi faktörlere atfedilen NFT fiyatlarının doğal değişkenliği, doğru fiyat tahminleri konusunda zorluklar ortaya çıkarmaktadır. Bu tür analiz ve tahminler için makine öğrenimi yöntemleri sağlam bir çözüm çerçevesi sunar. Burada, NFT'lerle ilgili iki ilgili tahmin problemine odaklanıyoruz: NFT'lerin satış fiyatını tahmin etmek ve belirli bir NFT'nin ikincil bir satışa katılıp katılmayacağını çıkarmak. NFT'lerin görsel özelliklerini önceden eğitilmiş derinlemesine modeller aracılığıyla analiz edip öğreniyoruz ve bu görsel bilgiyi satış geçmişi, tüccar davranışı, satıcı ve alıcının ticaret ağındaki merkezilikleri ve koleksiyonun yeniden satış olasılığı gibi görsel olmayan ek önemli özelliklerle birleştiriyoruz ve bu özelliklerin güvenilirliğini değerlendiriyoruz. Giriş NFT'lerini karakteristik özelliklerine göre altı kategoriye ayırıyoruz: Sanat, Koleksiyon, Oyunlar, Metaverse, Yardımcı Program ve Diğerleri. Bu iki soruyu yanıtlamak için bu nitelikler üzerinde birkaç farklı makine öğrenimi yöntemi eğitiyoruz. Ayrıntılı deneylerde, en iyi sonucu veren önceden eğitilmiş model problem türüne bağlı olarak değişse de, derin önceden eğitilmiş modellerden elde edilen görsel niteliklerin her durumda tahmin performansını artırdığını bulduk. Genel olarak, öğrenme algoritmalarından hiçbiri tüm kategorilerde sürekli olarak geri kalanlardan daha iyi performans gösteremedi. Kodumuz https://github.com/seferlab/deep_nft., Nitelikli Fikri Tapu'lar (NFT'ler); Temel olarak resimler, sanat eserleri, hareketli görseller ve mizahi içerikli olarak görselleştirilebilen herhangi bir nesneyi temsil eden, mülkiyeti blok zinciri üzerinde tanımlanmış dijital varlıklardır. Ethereum gibi kripto para birimleri ile çevrimiçi olarak alınıp satılabilirler. NFT'lere ve ticarete olan ilginin artması, NFT'leri alternatif bir yatırım aracı haline getiriyor. Ancak mevcut araştırma ve çalışmalar genellikle NFT'lerin teknik ayrıntılarına odaklanmıştır ve fiyat tahminine yönelik çalışmalar sınırlıdır. NFT pazarının karmaşık yapısı, spekülasyon ve değişiklika açık olması, likidite eksikliği, nadirlik, öznellik ve volatilite gibi faktörler fiyat tahminini oldukça zor hale getirmektedir. Bu bağlamda, analiz ve tahminler için makine geliştiricileri güçlü bir çözüm sunmaktadır. Bu mümkün olan iki tahmin problemine odaklanılmıştır: NFT'lerin satış fiyatı ve kapsamlı satış olasılığı. Genişletilmiş derin öğrenme programları aracılığıyla NFT'lerin görsel özellikleri analiz edilmiş, bu görsel bilgi ile satış geçmişi, pazarlama geliştirmeleri ve kişisel satışların fiyat üzerindeki etkisi analiz ve öğrenme yolları dahil edilmiş ve bu özelliklerin çözümleri değerlendirilmiştir. NFT'leri sanat, koleksiyon, oyun, metaverse, fonksiyonellik ve diğer olmak üzere 6 kategoriye ayırarak, makine parçalarını kullanarak satışları modellenmiş ve bu problemlere cevap aranmıştır. Denemeler sonucunda, görsel özelliklerin tahmin edilen tüm verileri artırıldığı, optimum performansı gösteren modelin ise problem tipine göre değiştiği görüldü. Genel olarak öğrenmelerinin arasındaki tüm kategorilerde sürekli olarak daha iyi performans gösterememiştir. Kodlarımız, https://github.com/seferlab/deep_nft adresinde herkese açık olarak sunulmaktadır.
