对炒币者来说，最幸福的事莫过于在币价最低点入场，最高点抛出，赚取最大利润。但是币价每天24小时都在发生着巨大的变化，很少有人能够准确地把握走势。
如今机器学习发展迅速，其在很多领域的应用令人叹为观止。2017年5月27日，基于深度强化学习训练的围棋智能AlphaGo击败柯洁，化身围棋之神。
那么，我们有没有可能利用机器学习，做一个AlphaCoin，精准地预测币价走势呢？
今天，御风将和大家一起，走进机器学习，力争通过现代技术武装自己，实现真正的科学炒币。
下面首先，我们来介绍一下机器学习的历史与本质。
机器学习至今已经发展了半个多世纪，如图所示为其发展历程。
1943年，心理学家W•Mcculloch与数理逻辑学家W•Pitts在分析、总结神经元基本特性的基础上首先提出了神经元的数学模型。
50年代末，F•Rosenblatt设计并制作了“感知机”，它是一种多层的神经网络。这项工作首次把人工神经网络的研究从理论探讨付诸工程实践。当时，世界上许多实验室仿效制作感知机，分别应用于文字识别、声音识别、声纳信号识别以及学习记忆问题的研究。
60年代末，k-NN、k-Means等算法被应用于模式识别。业界兴起了一阵人工神经网络的研究高潮。
然而，这次人工神经网络的研究高潮并未能持续很久，许多人陆续放弃了这方面的研究工作，这是因为当时的电子技术工艺水平比较落后，主要的元件是电子管或晶体管，利用它们制作的神经网络体积庞大、价格昂贵，要制作在规模上与真实的神经网络相似是完全不可能的。神经网络的研究沉寂了相当长的时间。
80年代初期，模拟与数字混合的超大规模集成电路制作技术提高到新的水平，完全付诸实用化，人工神经网络寻求新出路的时机已经成熟。美国的物理学家Hopfield于1982年和1984年在美国科学院院刊上发表了两篇关于人工神经网络研究的论文，引起了巨大的反响。人们重新认识到神经网络的威力以及付诸应用的现实性。随即，一大批学者和研究人员围绕着 Hopfield提出的方法展开了进一步的工作，形成了80年代中期以来人工神经网络的研究热潮。
2006年，深度学习（Deep Learning，DL）的概念由Hinton等人提出。它是机器学习中一种基于对数据进行表征学习的方法。深度学习的优势是可以用无监督的特征学习、分层特征提取，来替代手工获取特征。它被广泛成功地应用于计算机视觉、语音识别、自然语言处理等领域。
随后，深度学习与Q-Learning相结合，构成深度强化学习（Deep Reinforcement Learning）。2016年3月，深度强化学习所训练的围棋智能应用AlphaGo，以4:1大比分优势击败世界冠军李世石。全世界兴起了人工智能的大浪潮。
从本质上来看，机器学习就是个寻找最优函数的过程。例如，如下图所示：
在语音信号识别中，函数输入语音、输出对应文本；在图像识别中，函数输入图像、输出对应文本；在围棋对弈中，函数输入当前局面，输出下一步走法；在对话系统中，函数输入提问，输出对应的回答。
而我们所要实现的“AlphaCoin”，自然是这样的：
输入某个币的k线走势，我们希望这个函数能告诉我们，接下来到底它是涨？还是跌？
目前，基于达到学习目的的方式的不同，可将机器学习算法分为三类：监督学习、无监督学习、强化学习。而承载这些算法的载体，是人工神经网络。
在下一节，我们将为大家介绍人工神经网络。
早赞声明：为方便早赞、避免乱赞，“BH好文好报群”为点赞者、写作者牵线搭桥，实行“先审后赞、定时发表”的规则，也让作品脱颖而出、速登热门！加群微信：we01230123（天平）。
