Deep Learningを利用したAI開発に これから携わる方、 既に携わっている方、 こんな悩みはありませんか？ Pythonや数式を学ばないといけない ネットワーク構造やパラメータを変更するなどコーディングだと試行錯誤に時間がかかる 学習した何十種類ものニューラルネットワークの管理に苦労している ニューラルネットワークのチューニングを自動化したい 開発環境の構築に手間と費用がかかる

fossBytesに6月27日(米国時間)に掲載された記事「12 Best WiFi Hacking Apps For Android Smartphones｜2017 Edition」がAndroidで利用できるWi-Fiのハックアプリ12選を紹介した。こうしたアプリは、Wi-Fiネットワークを調査してセキュリティ上脆弱な設定になっている部分や脆弱性を抱えたルータを発見することができるとされている。 紹介されているアプリは次のとおり。 aircrack-ng WPA WPS Tester Kali Linux Nethunter Zanti Reaver for Android Penetrate Pro Nmap WiFi Kill WPS Connect WIBR+ Netspoof WiFi Analyzer 記事では、これらアプリ以外にもShark for Root、Fing N

概要 自分用のメモとして、機械学習に関する情報を浅く ( それなりに ) 広くをモットーに、ざっくり整理してみました。 少しでも、他の方の理解に役立ったら嬉しいです。 機械学習とは コンピュータプログラムが経験によって自動的に出力結果を改善していく仕組み。 機械学習の代表的な手法について記載します。 １．教師あり学習 ２．教師なし学習 ３．強化学習 に分けて記載しました。 ※概要説明は一例です。 1．教師あり学習 1-1．線形回帰 予測したい値を算出する式を連続する多項式として表し、各係数を最小二乗法や最尤推定法で求めることでモデルとなる式を決定する Pythonライブラリ：scikit-learn（sklearn.linear_model.LinearRegression） 参考：最小二乗法による線形回帰のアルゴリズム (自身のQiitaの過去記事です) 1-2．ロジスティック回帰 2択

The document describes various probability distributions that can arise from combining Bernoulli random variables. It shows how a binomial distribution emerges from summing Bernoulli random variables, and how Poisson, normal, chi-squared, exponential, gamma, and inverse gamma distributions can approximate the binomial as the number of Bernoulli trials increases. Code examples in R are provided to

ニューラルネットワークを用いた機械学習の「ディープラーニング(深層学習)」は人工知能(AI)開発に欠かせない技術であり、AI以外にもGoogleフォトの画像の自動タグ付け機能やAmazonのレコメンド機能など、すでに実用化されている技術に活用されています。そんなディープラーニングを開発者が学習するためのとっておきの方法をGoogleのクラウド開発者がブログで紹介しています。 Learn TensorFlow and deep learning, without a Ph.D. | Google Cloud Big Data and Machine Learning Blog  |  Google Cloud Platform https://cloud.google.com/blog/big-data/2017/01/learn-tensorflow-and-deep-learning-w

3. もくじ • はじめに • 為替や株の予測の何が難しいのか • 2つの通貨問題からみるレバレッジと期待値の関係 • 収益率の分散を抑えるには • いもすアルゴリズムの変遷 • ボラティリティのフラクタル性 • 最新いもすアルゴリズム 為替と株の予測の話 2 5. なぜ投資を考えるのか 生活費ために働いてお金を稼ぐのは不自由であるので、 経済的独立 (Financial independence) を目指すのは自然な発想。 経済的独立とは 「運用益＞消費」となる状態を指し、 これを達成するには「資産を増やす」「運用効率を上げる」「消費を 減らす」方法がある。 しかし、運用効率が0%では経済的独立を達成するのに必要な資産 が何倍にもなるので、運用効率を上げる方法を考える。 為替と株の予測の話 4

当たりすぎてコワイ…。人工知能の｢Watson｣が、ツイート履歴からあなたの性格診断します2016.08.18 20:309,222 Mugendai 渡邊徹則 あなたの性格、丸裸。 手相、タロット、占星術など、性格などを占う手段は古来からありますが、今の時代はこれが一番当たりそうな気がします。 IBMのWebメディア・無限大によると、同社は人工知能｢IBM Watson｣の自然言語処理を利用した、Personal Insights機能をリリースしたとのこと。こちら、何とTwitterのツイート履歴を解析してその人の性格を推定できるんですって！ とにもかくにも、面白そうなんでギズモードのTwitterアカウントで試してみたところ… ・興奮しやすい ・分析好き ・温和でめったに怒らない ・感情移入しがち うわー！ 何だかギズモードそのものを言い当てられているような…。こっ恥ずかしい…。 こち

TensorFlowを使った為替(FX)のトレードシステムを作るチュートリアル ～システムのセットアップからトレードまで～機械学習システムトレードTensorFlowjiji 機械学習ライブラリ「TensorFlow」と、オープンソースのシステムトレードフレームワーク「Jiji」を組み合わせて、機械学習を使った為替(FX)のトレードシステムを作るチュートリアルです。 システムのセットアップからはじめて、機械学習モデルの作成、トレーニング、それを使って実際にトレードを行うところまで、具体例を交えて解説します。 システム構成 次のようなシステムを作ります。 Jijiのバックテスト機能を使ってトレードデータを収集。これをTensorFlowに入力してモデルをトレーニングします。 予測する内容については後述。 訓練したモデルを使って予測結果を返すREST APIを作り、トレード時にJijiから呼び

TensorFlowで株価予想シリーズ 0 - Google のサンプルコードを動かしてみる 1 - 終値が始値よりも高くなるかで判定してみる 2 - 日経平均225銘柄の株価予想正解率ランキング〜 3 - 日本3506銘柄の株価予想ランキング 4 - 実際に売買したら儲かるのかシミュレーションしてみる 5 - 大きく上がると予想されたときだけ買ってみるシミュレーション 6 - 学習データの項目を増やす！隠れ層のサイズも増やす！ 7 - 株価が何%上昇すると予測したら買えばいいのか？ 8 - どの銘柄を買うか 9 - 年利6.79% ポケモンGO始まりましたね。僕も大いに遊ばせて頂いて今ではレベル20です。めざせレベル30。そんなことをしてたらプー太郎の身が急に忙しくなり Qiita を書いてられなくなりました。ポケモン恐るべしです。気持ちを入れ替えてお香を炊きながら書いていこうと思います

最も優れた積立投資は何か（検証のまとめ）この記事は、筆者が「積立投資の良し悪しを確かめるために行った検証」をまとめたものです。検証に使用したTradingViewのPineスクリプトも公開しています。 ―― Posted on April 18th, 2022 Python版：2006年に書籍で「勝てる」とされた手法の「その後」をバックテスト6つの手法を27銘柄24年にわたってバックテストします。　・2006年当時有効だった手法は健在なのか　・相関を元にしたポジションの制限は有効なのか　・増し玉は有効なのか ―― Posted on March 6th, 2021 TradingView版：2006年に書籍で「勝てる」とされた手法の「その後」をバックテストこの記事では、「少なくとも20年間は実際に〝勝てた〟であろう投資のやり方」を知ることができます。　・2006年に書籍で有効とされていた手

TensorFlowで株価予想シリーズ 0 - Google のサンプルコードを動かしてみる 1 - 終値が始値よりも高くなるかで判定してみる 2 - 日経平均225銘柄の株価予想正解率ランキング〜 3 - 日本3506銘柄の株価予想ランキング 4 - 実際に売買したら儲かるのかシミュレーションしてみる 5 - 大きく上がると予想されたときだけ買ってみるシミュレーション 6 - 学習データの項目を増やす！隠れ層のサイズも増やす！ 7 - 株価が何%上昇すると予測したら買えばいいのか？ 8 - どの銘柄を買うか 9 - 年利6.79% はじめに 前回は東証１部／東証２部／JASDAQ／マザーズの銘柄で株価が上がるか下がるかの二択の予想をしてみました。今回はそのデータを使って実際に取引を行ったらお金は増えるのか減るのかのシミュレーションをしてみます。上がるか下がるかの予想をしても、大きく下がる

更新日：2016年6月1日 Googleの以下のレポート Machine Learning with Financial Time Series Data on Google Cloud Platform によると、ディープラーニングの手法を用いてS&P500の騰落を予測し、的中率が70%を超えたらしい。 私がこの話を聞いてレポートを読んだのは2、3ヶ月前だろうか。 私がこの話を聞いて第一に思ったことは「うそつけ」である。 私は個人的には60%を超えるのでも相当難しいと考えている。 いくら最近話題の人工知能といえども、簡単に70%を超えられるものだろうか、そう思ったのである。 私がバックテストでもしそのようなパフォーマンスを得られたら、先ず計算ミスを疑う。 Googleも何か勘違いしているのではないかと思ったが、同時に天下のGoogleがそんなミスを犯すとも思えない。 半信半疑ながら、レポ

人工知能やIoTを活用したビジネスを行う株式会社ABEJAの勉強会に参加してきました。 ＆CODEIQ MAGAZINEにて記事を書きました。 人工知能、機械学習、ディープラーニング――これらの技術はGoogleやMicrosoft、Facebookをはじめとした大型IT企業が牽引している側面もありますが、昨今、これらの技術を活用した事業を展開するベンチャーが続々と誕生しつつあります。今回はその最先端テクノロジーを紹介する勉強会に参加してきました！ codeiq.jp どうぞこちらの記事もよろしくお願いいたします。 こんにちは、@ikeayです。 機械学習にもいろいろなモデル（アルゴリズム）があります。これらのモデルは優劣だけではなく、得意分野・不得意分野があったりするので、解きたい問題に応じて最適なものを選びます。 scikit-learnより どういう時にどういうモデルを使えばいいか、

TensorFlowで株価予想シリーズ 0 - Google のサンプルコードを動かしてみる 1 - 終値が始値よりも高くなるかで判定してみる 2 - 日経平均225銘柄の株価予想正解率ランキング〜 3 - 日本3506銘柄の株価予想ランキング 4 - 実際に売買したら儲かるのかシミュレーションしてみる 5 - 大きく上がると予想されたときだけ買ってみるシミュレーション 6 - 学習データの項目を増やす！隠れ層のサイズも増やす！ 7 - 株価が何%上昇すると予測したら買えばいいのか？ 8 - どの銘柄を買うか 9 - 年利6.79% 前置き 猫も杓子もディープラーニングディープラーニング。なにそれ美味いの？ って感じだけど、 2015年末に Google が書いた 「Machine Learning with Financial Time Series Data on Google Clo

このブログで何回も取り上げているように、ニューラルネットワークを用いた機械学習はかなりの力を発揮します。畳み込みニューラルネットワーク(convolutional neural network, CNN)は画像中で近くにあるピクセル同士の関係に注目するなど画像の特徴をうまくとらえたネットワークを構築することでかなりの成功を収めています。ノーフリーランチ定理が示唆するように万能の機械学習器は存在しないため、対象とするデータの特徴を捉えた学習器を構築することが機械学習の精度を上げる上で重要になります。 そこで今回は時系列データの解析に向いた回帰結合ニューラルネットワーク(recurrent neural network, RNN)の精度を上げるのに重要なLSTMを取り上げます。 この記事では誤差逆伝搬などのニューラルネットワークの基本知識は説明しません。誤差逆伝搬についてはPRMLの5章やNe

ネットワークの重みや各ニューロンがどういう入力の時に発火するのかが、学習していく過程で各時刻可視化されてとても良い教材です。 http://playground.tensorflow.org/ うずまきのデータセットに関して「中間層が1層しかないとうずまき（線形非分離な問題）は解けない」という誤解があるようなので、まずは1層でできるという絵を紹介。なお僕のタイムライン上では id:a2c が僕より先に気付いていたことを名誉のために言及しておきます。 で、じゃあよく言われる「線形非分離な問題が解けない」ってのはどういうことか。それはこんな問題設定。入力に適当な係数を掛けて足し合わせただけでは適切な境界を作ることができません。 こういうケースでは中間層を追加すると、中間層が入力の非線形な組み合わせを担当してくれるおかげで解けなかった問題が解けるようになります。 1つ目のデータセットでは特徴量の

cakesは2022年8月31日に終了いたしました。 10年間の長きにわたり、ご愛読ありがとうございました。 2022年9月1日

狂った果実FXはこちら！ 年末あたりにfxの業者のサイトをみていて、他のトレーダーの大雑把なトレード記録からインスパイアをビンビンと受けまして、ある手法を思いついたので試しにプログラムにしてみたら儲かるプログラム（メタトレーダーのエキスパートアドバイザ／EA）ができました。名付けて「狂った果実FX」です。年利は手法の使い方にもよりますが、だいたい１０％〜３０％の間くらいになるかと思います。 ※検証はfxddのヒストリカルデータを使用して、２００６年から２０１５年の１０年間で検証しました。上記の３つの結果は４時間足のものですが、ユーロ円やポンド円では１時間足でもプラスの結果になりました。もしご興味があったらダウンロードしてバックテストをしてみてください。 せっかくできたそのプログラムですが、例えば年利２０％だと余裕資産が１００万円あっても年で２０万でいまいち物足りないので、github gu

前回の続き。 ディープラーニングのフレームワークであるTensorFlowを使用して株価を予想するぞ～、というお話です。ちなみに前回は完全に失敗でした。 前回のコメントで、tawagoさんから「Googleが同じようなことしている」という情報をいただいたので、そちらをコピ・・・インスパイアしてみました。 前回との相違点 前回は、「数日分の日経平均を使用して、次の日の日経平均が上がるか、下がるか、変わらないか（3択）を予想する」ものでした。 Googleのデモでは、「数日分の世界中の株価指数（ダウ、日経平均、FTSE100、DAXなど）を使用して、次の日のS&Pが上がるか下がるか（2択）を予想する」という内容でした。 ということで、下記が前回からの主な変更点となります。 - 「上がるか」「下がるか」の2択 - 日経平均だけでなく、他国の株価指数も使用 - 隠れ層x2、ユニット数は50,25