現代性帶來了新的、突破性的東西，這些東西能夠改變世界。
現實世界的問題不能透過應用簡單的、傳統的演算法和方式來解決，所以軟體創造者們必須使用新的技術。
機器學習就是這些解決方案中的一種。
雖然在傳統意義上的機器學習的基礎可以回溯到20世紀40年代晚期，這項技術本身直到最近才開始興起，它得益於用來訓練系統的可用計算能力的迅速增長。
談到智慧市場分析系統，使用機器學習工具能夠排除掉很多傳統方法的劣勢。Cryptics平臺積極利用機器學習的方法來建立系統，用來分析密碼市場與演算法交易。這讓它能夠提高系統執行所得資料的可靠性，從而降低風險、節省投資者的資金。
下面我們嘗試用簡單的語言向讀者解釋最有趣的機器學習方法之本質，以及在實踐中應用這些解決方案的案例。
1. 用神經網路的時間序列的統計分析
在分析加密貨幣的交易資訊時，有兩種型別的資料必須用分析系統來處理。第一種型別是透過交易的API直接獲取的原始資料。這些資料通常由數值組成，可以用數學的方式和統計方法進行分析，它們通常具有有序的結構。
但還有些資訊，其選擇的原則標準並沒有被明確定義。舉個例子，那些從不同資訊源而來的資訊，比如從評級機構、社交網路來的資訊，關於某特定產品中投資者的興趣等級的資訊等。
一般來說，為了獲取想要的結果，就必須要分析整套資料，必須進行規律性的識別。為了達到這個目標，Cryptics系統就用時間序列的統計分析技術配合機器學習演算法來實現。
在極端簡單的單詞中，演算法將會把特定的物件分配到每一種資料中，它們可以被一組描述其狀態的引數來表示。所有物件的連線集都由神經網路使用Kohonen對映法來分析。這就讓演算法解決了找出相似物件並將它們分組的問題。
2. 資本資產定價模型和風險評估
資本資產定價模型(CAPM)是一種用來評估金融資產利潤率的模型。這個模型的本質是假設存在一個高度流動性的資產市場，舉個例子，一種加密貨幣，它能得出結論，即所需的利潤金額並不是完全由當前資產的特定風險特徵等級決定的，就像加密貨幣整體的利潤金額由一般風險特徵決定那樣。
使用這個模型，並結合機器學習的方法，Cryptics就能夠以足夠高的準確度來實時分析某特定加密行為的盈利能力和風險了。 3. 整合學習者 使用整合學習者的基礎在於這樣一個想法，即在同一個資料樣本中學習幾個基本的物件，並使用不同物件的結果的聯合來預測後續更改的加密機制。這個方法的數學基礎就是十八世紀早期制定的陪審團審判定理。 根據這個定理，大多數參與者在經過分析後做出的決定最有可能是正確的。這就讓這個網路能夠分析對匯率變化幾乎沒有影響的市場指標，並在這些指標的基礎上制定一個解決方案，這樣總資料樣本里的錯誤將小於分別應用每一個指標產生的錯誤。 4. Q-learning Q-learning或者說強化學習，它能夠用反饋的方法改善神經網路的表現。根據演算法的結果，形成效用函式。關於這個功能的結果，該演算法會接收到關於以往經驗的資料，這就可以排除故意丟失事件發展的某些細節。
當然，這只是機器學習冰山的一角，關於整個Cryptics子系統和在框架中使用的技術方法不可能在這一篇文章中概括。每一個有具體工具和公式、計算的廣泛話題和描述都需要很多篇幅來解釋。 使用機器學習工具能夠讓我們的產品大幅改善其演算法的工作效果，從而對整個系統的效率提升產生積極的影響。
