はてなブックマーク

import pandas as pd import random, math import numpy as np from keras.preprocessing.image import load_img, img_to_array from keras.applications.vgg16 import VGG16 from keras.models import Sequential, Model from keras.layers import Input, Dense, Dropout, Activation, Flatten from keras.optimizers import SGD from keras.utils import np_utils from keras.preprocessing.image import ImageDataGenerator # 分

はじめに 株投資の勉強を始めるのでそのメモを残していきます。 前回のTensorFlow(LSTM)で株価予想 〜 株予想その１ 〜の続き ※前回の予測した株価 今回は多層パーセプトロン(MLP)を用いて株価が上がるか下がるかを分類し株価予測をしてみます。 [補足] 株以外にAIを用いた競馬予想 sivaを運用しています。 連対的中率 ： 約 86% 回収率 ： 約 136% twitterを始めました。フォローお願いします。 簡単な仕様 前回の予測方法として、前10日分の終値から、LSTMで翌日の株価を予測していました。 今回は前100日分の終値を入れ、翌日の株価が上がるか下がるかの2値分類をします。 先ずは株の予測実験 データは前回と一緒でこちらのデータを使います。 ダウンロードしてきたデータは日経平均の2007年〜2017年の情報。 日付, 始値, 高値, 安値, 終値のデータが入っ

先ずは株の予測実験 スクレイピングで持ってくる前にダウンロードして実験できるサイトから実験を始めてみます。 ダウンロードしてきたデータは日経平均の2007年〜2017年の情報。 日付, 始値, 高値, 安値, 終値のデータが入っています。 今回使用するデータは終値を利用します。 アプローチを考える 株については過去の実績(※1)を統計的に分析するより、時系列を用いたRNN(Recurrent Neural Network)(※2)で予測するほうが向いていると考えられるので、RNNの拡張であるLSTM(Long short-term memory)を使ってみることにします。 ※1 過去データの実績をチャートで学習する方法も次回以降で試してみる。 ※2 RNNはディープラーニングの一種。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する。RNNの入出力は、以下図のように

import tensorflow as tf import gym import gym_pull import ppaquette_gym_super_mario from gym.wrappers import Monitor import random import numpy as np class Game : def __init__(self): self.episode_count = 10000; ## select stage self.env = gym.make('ppaquette/SuperMarioBros-1-1-Tiles-v0') def weight_variable(self, shape): initial = tf.truncated_normal(shape, stddev = 0.01) return tf.Variable(initial

学習方法 ゲームキャプチャ + アクションで報酬(game score)を与えそれを学習させる。 game scoreの取得については、ROMのバイナリ情報を解析する必要があります。 この辺はあまり詳しくありませんが海外にROMの情報が出ているとのことです。 ニューラルネットワークアーキテクチャ 学習関数は定番のReLU。教科学習のアルゴリズムは勾配降下法(Adam)でやってます。 ReLU 勾配降下法 ニューラルネットワークの外観 手順 ⅰ.エミュレータの準備 エミュレータの動作に関しては処理が複雑なのでgitにあげておきます。 https://github.com/tsunaki00/siva_game ※ 他のマシンで試してないので動くかわかりません。 エミュに興味あるかたは海外のgitなどをぐぐってみてください！ ⅱ.ROMの抜き出し 上記にも記載しましたが、ROMの抜き出し方法は

前回の続きです。 今回のテーマ 今回は簡単にランダムフォレストのパラメータのチューニングについて書きたいと思います。 パラメータについて 前回のプログラムに書いたscikit-learnのRandomForestClassifierは指定できるパラメータが数々あります。 参考 ： RandomForestClassifier このパラメータのチューニングで結果が大きく変わることもあります。 ただし精度を上げるために分岐の数を増やしたらするとトレードオフとして処理に時間がかかります。 また、増やしすぎても精度が下がることもあります。 そこで今回は最適なパラメータを決める手法を紹介します。 パラメータチューニング(Grid Search) scikit-learnで最適なパラメータを探すにはGrid Searchが便利です。 早速ですがサンプルプラムを書きます。 （注 ： 試すパラメータを増や

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

はじめに 特にFujitsu Advent Calendar 2016にちなんだ内容でなく、自分の趣味（継続中の開発の続き）を書きます。 ※ 当記事は会社を代表するものではなく、個人の意見です。 （本業は新規事業立ち上げなどで開発職ではありません） 継続中の開発 [開発しているSIVAについて] ［facebook］ https://www.facebook.com/AIkeiba/ ［Twitter］ https://twitter.com/Siva_keiba 随時実況していきますので、いいね！フォローお願いします。 今回のやること 前回の続き。 ディープラーニング（深層学習）による予測についてのサンプルコードを書きます。 始めるにあたり必要なスキルはこちらを参考してください。 今回のライブラリ TensorFlow:https://www.tensorflow.org/ 前回のデータ

・ ビジネススキル ・ビジネスに対する深い理解 ・ロジカルシンキング ・ドキュメンテーション/プレゼンテーション ※ 多くの場面でデータ集めから理論的な説明が必要になります。 ・ ITスキル ・幅広いIT知識 ・大規模データ処理に関する知識 ・データベースに関する深い知識 ・プログラミング ※ 本当に範囲が広いのでインフラからロジックまでフルスタックにできる人が必要になります。 ・ 統計解析スキル ・数学 ・データ分析手法の理解 ・データ分析ソフトウェアのスキル ※　確率・統計、微分積分、行列などが必須になります。 記号が多いので最初自分はぜんぜん理解できませんでした。 この記事がわかりやすい。 そろそろデータサイエンティストの定義とスキルセットについて本気で考えてみる - Qiita 本題のタスクについて マーケティング 機械学習において、これが一番重要でしょう！ なぜなら、データを集め

#coding:utf-8 import csv from sklearn.externals import joblib from sklearn.ensemble import RandomForestClassifier class Predict: def __init__ (self) : self.model = None self.horse_data = [] self.train_data = [] self.train_target = [] # テスト対象 self.test_row_no = -1 self.master = { 1 : { "福島": 0, "小倉": 1, "京都": 2, "函館": 3, "中山": 4, "札幌": 5, "東京": 6, "阪神": 7, "中京": 8, "新潟": 9 }, 4 : { "芝" : 0, "ダート" :

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

少し前に赤外線リモコンでエアコン操作を実験した結果。 ##必要な部品を準備 調達部品(すべて秋月さんで購入) ・赤外線リモコン受信モジュール（100円） ・赤外線RED（150円） ・ジャンパーコード（200円) ・arduino nano（3000円くらい） ・抵抗/ブレッドボード（合わせて300円くらい） 操作用のPCを除けば、値段は5,000円以下で調達可能です。 ##ブレッドボードで配線 次にarduinoと接続して赤外線受信ポートにリモコンをつなげてリモコン操作を記録。 受信プログラム #define READ_PIN 2 #define LOW_STATE 0 #define HIGH_STATE 1 unsigned long now = micros(); unsigned long lastStateChangedMicros = micros(); int state

// 画面動作に必要な外部ファイル (function() { var htmlRoot = 'view'; var jsRoot = '/js'; var cssRoot = '/css'; var reg = new RegExp('^(.+?)://(.+?):?(/.*)?$'); var s = reg.exec(location.href); var url = s[3]; url = url.slice(1); url = url.slice(0, url.indexOf('/')); url = s[1] + '://' + s[2] + '/' + url; var baseDir = jsRoot + '/lib'; var jsfiles = [ url + baseDir + '/jquery.js', url + baseDir + '/transparency.

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?