ブックマーク / recruit.gmo.jp (7)

  • モバイルAR技術の最先端 Google Tangoを活用してバーチャル案内スタッフを実現してみた - GMOインターネットグループ グループ研究開発本部

    こんにちわ。次世代システム研究室の B.M.Kです。 2017年3月27日に開催された社内の研究発表会にて、ARについて発表した内容をご紹介します。 これまでのAR技術・コンテンツは、単眼カメラのキャプチャ画像にバーチャル情報、オブジェクトを重ねる程度で、現実感は薄く市場に定着していません。今回は、GoogleAndroid向けにリリースしているAR/MR向けのTangoプラットフォームを活用して、より現実と融合したARの体験、そして今までGPSが上手く行かない環境でのナビゲーション(屋内のナビゲーション等)を実現してみました。 Google Tangoの壮大な可能性を活用して 実際のビジネスへ繋げることを色々期待できます。 次世代システム研究室では、アプリケーション開発や設計を行うアーキテクトを募集しています。アプリケーション開発者の方、次世代システム研究室にご興味を持って頂ける方がい

    モバイルAR技術の最先端 Google Tangoを活用してバーチャル案内スタッフを実現してみた - GMOインターネットグループ グループ研究開発本部
    prototechno
    prototechno 2017/05/11
    #GMO次世代
  • Deep Q-LearningでFXしてみた - GMOインターネットグループ グループ研究開発本部

    次世代システム研究室のJK(男)です。よろしくお願いします。 今回はDeep Q-Learningという手法でFXをやってみたので紹介します。前回のブログでは、LSTMというディープラーニング(Deep Learning; 深層学習とも)の一種を使って、株価変動の予想をしました。これは「教師あり学習」という手法で、コンピュータに常に「正解」を教えて学習させます。でも、よくよく考えると金融商品って時間変動の予想が最終目標じゃないですよね。最終目標は(基的に)金融商品の売買で儲けること。つまり予想を元に、いま売るのか、買うのか、何もしないのか、という「行動」を決めることです。完全に未来がわかるのでもない限り、この行動に「正解」が無いことがわかります。 完全に予想するのは無理(短期的には買ったり負けたり)かもしれませんが、長期的には儲けるような「方針」は立てられるかもしれない。このように「方針

    Deep Q-LearningでFXしてみた - GMOインターネットグループ グループ研究開発本部
    prototechno
    prototechno 2017/02/22
    #TFUG
  • Deep Learningによる株価変動の予想 - GMOインターネットグループ グループ研究開発本部

    次世代システム研究室のJK(男)です。初ブログです。 よろしくお願いします。 今回はディープラーニングの中でも、時系列解析に強いLSTM(Long short-term memory)を紹介します。時系列解析のひとつのターゲットが金融商品の価格予想です。最近、英国のEU離脱で市場が大荒れですが、そういう市場の荒れ具合を予想できたら色々と嬉しいですよね。そんな予想をディープラーニングでやってみた、というのが今回の主旨です。 この記事は、参考文献[1]の論文を参考にしました。今回の記事に興味を持ったら、ぜひ読んでみてください。 1. LSTM LSTMは、RNN (Recurrent Neural Network)の改良版です。 そこで、まずRNNについて解説します。 RNNはディープラーニングの一種ですが、普通のニューラルネットと違い、現在の入力値に加えて自身の前の状態を入力しています。詳し

    Deep Learningによる株価変動の予想 - GMOインターネットグループ グループ研究開発本部
    prototechno
    prototechno 2017/02/22
    #TFUG
  • 転移学習(Transfer Learning)を用いた、効率的なモデル作成 - GMOインターネットグループ グループ研究開発本部

    こんにちは、次世代システム研究室のA.Zです。今回はtransfer learning(転移学習)について紹介したいと思います。 背景 機械学習アルゴリズムは基的に、学習したデーターと同じドメインかつ同じ分布のデーターをしか対応できません。 データードメインと分布は時間と共に、変化していくケースもあります。 こちらの変化を対応する為に、新しいモデルが必要になります。 しかし、新しいモデルの作成するときに、以下の問題があります。 もしデーター量が大きかったら、学習時間とコストが高くなります。 データードメインの変化スピードが早い場合は、新規モデルの学習時間が追いつくことができません。 新しいデータードメインでは、labelデーター少ないまたはlabel データーがありません。label dataを作成するのはコストが高いです。 以上の問題を解決する為に、機械学習分野のなかで、transfe

    転移学習(Transfer Learning)を用いた、効率的なモデル作成 - GMOインターネットグループ グループ研究開発本部
  • 再帰型強化学習を用いた金融商品取引の可能性 - GMOインターネットグループ グループ研究開発本部

    次世代システム研究室のL.G.Wです。今回も、前回から引き続き強化学習のトピックを話します。今回は、Direct Policyベースの再帰型強化学習の特徴を解説し、FXの自動取引を例にして、実装およびその結果を説明します。 再帰型強化学習とは 強化学習(前回のBlogを参考してください)には、大まかに2種類のアプローチがある。一つは、Value関数の近似化。典型的なアルゴリズムはQ-Learning (有名事例:Play Atari)である。もう一つは、最適なPolicyを直接探索する手法。世の中に大きな衝撃を与えたAlpha GoもこのDirect Policy手法を利用した。 二つの手法の類似点は、(1)環境へActionを起こし、そのActionで得られた報酬を学習信号として、ActionのPolicyを修正し最適なActionを取れるルートを学習する;(2)Supervised L

    再帰型強化学習を用いた金融商品取引の可能性 - GMOインターネットグループ グループ研究開発本部
  • Deep LearningをKerasで可視化したい - GMOインターネットグループ グループ研究開発本部

    こんにちは。次世代システム研究室のJK (男)です。 突然ですが書籍の「ゼロから作るDeep Learning」読みましたか?基礎からクリアに説明されていて、個人的にはとても面白かったです。これまでLSTM, 強化学習の記事を書いてきましたが、今回はこのにならってDeep Learningの基礎の「ちょい深」理解を目指し、Deep Learningの可視化に焦点をあてたいと思います。 ちなみに今回の内容のcodeは、ここに上げておきました。 0. 可視化のモチベーション 最近のDeep Learningのフレームワークは充実していて、簡単に動かせるようになりましたね。でも動かせたけど理解した気がしない、って人も多いのではないでしょうか?その理由の一つが、Deep Learningがブラックボックス化していることだと思います。簡単に動かせることの副作用だと思いますが、インプットデータと教師

    Deep LearningをKerasで可視化したい - GMOインターネットグループ グループ研究開発本部
  • Deep Learningを使って音楽作成してみた - GMOインターネットグループ グループ研究開発本部

    次世代システム研究室の T.N. です。 皆さん音楽は好きですか? 私はロックを中心に音楽が聞いたり、弾いたり結構楽しんでいます でも年を取ったせいか好きなバンドが解散したり、活動休止したりも多くなってきました 一番好きなTHE YELLOW MONKEYは今年再結成したものの15年間解散してましたし、他のバンドもそういった状況になってしまうことが増えてきてしまっています これは実に悲しいです、、、 新曲は聞けなくてもせめて人工知能がそれっぽい音楽を作って癒してはくれないものでしょうか? というわけでちょっとDeep Learningで自動作曲を試みてみました 関連研究 Deep Learningで自動作曲という分野ではGoogle(DeepMind)社の以下の2つのプロジェクトが有名ですね Magenta Wavenet Magenta Magentaは機械学習でアートを創作することを試

    Deep Learningを使って音楽作成してみた - GMOインターネットグループ グループ研究開発本部
  • 1