You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert
環境 PC: MacBook Air CPU: 1.4 GHz Intel Core i5 メモリ: 4GB ふつうのMacBook Airでやったのですが、学習遅いし、メモリ不足で落ちるしでやっぱり辛かったです。 おおまかな流れ 各女優の画像を収集する。 dlibで顔画像を切り取って96×96の大きさにリサイズする。 1人につき1000枚の画像になるようデータ拡張する。 データをnumpyファイルに変換する。 chainerで顔画像を学習する。 学習したモデルから任意の画像の予測をする。 1. 画像を収集する ここは詳しくは書けないので以下の記事を参考にしてください。 Python: BeautifulSoup4 を使って Web サイトをスクレイピングする PythonとBeautiful Soupでスクレイピング 取得した画像は女優ごとにディレクトリを分けて保存します。 ./fold
はじめに 機械学習でどのくらい電力需要を予測できるのか試してみたので、その手順を整理します。 追記 この記事を書いてから半年が経ち、いろいろ新しいこともわかってきたので、パート2の記事を書いてみました。 機械学習で電力需要を予測してみる パート2 追々記 2017/12/22に以下の記事も作成したので、あわせてご参照下さい。 TensorFlowで電力使用量予測 with Keras 追々々記 2021/01/31に実際に未来を予測する記事を作成しているので、あわせてご参照下さい。 H2O.aiのAutoMLを使って電気使用量を学習し、気象予報値取得APIを使って数日後の電気使用量を予測してみる 使用した環境 機械: MacBook Air Mid 2012 言語: Python 3.5.1 実行: Jupyter notebook 4.2.1 ライブラリ: scikit-learn on
前置き(読み飛ばしていいです) 古巣(某ISP)が定期的にハッカソンを開催していて、ありがたいことに毎回お声掛け頂いています。 特にテーマは無い、もくもく会的なハッカソンです。 毎回美味しいお弁当が出ますが、今回は量は満足でしたが、質がいまいちでした やりたいなーと思っててやる時間がなかったことを毎回やってます。 今回はLSTMを使ってナンバーズの予測をやりました。 数字選択式宝くじ 平日は毎日抽選が行われる 数字を3つ選ぶナンバーズ3と、4つ選ぶナンバーズ4がある 数字と並びの両方を当てるストレート、並びは関係なく数字だけを当てるボックス、ストレートとボックスに半々にかけるイメージのセットがある。 当選金額は ストレート >> セットのストレート > ボックス > セットのボックス みたいなイメージ ナンバーズに関するオカルト「ひっぱり現象」 同じ数字が何回かにわたって連続して出現しやす
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
kaggle のRossmann の3 位のNeokami Inc(entron)さんの用いた手法が面白かったので、その概要の紹介などをしていきたいと思います。 まず手法の名前は、"Entity Embeddings of Categorical Variables" で、 [1604.06737] Entity Embeddings of Categorical Variables 論文にもなっています。コードはGithub にありますので、興味のある方はご覧ください。 github.com (これはPython3 を用いて書かれています。) embedding layer を用いた他のコンペでの有力なsolution。 kaggle のtaxi コンペ: Taxi Trajectory Winners’ Interview: 1st place, Team ? | No Free Hu
このエントリーは以前書いた機械学習で積雪の有無を予測してみたの続編です。この時は積雪の有無(1か0か)だけを予測したのですが、もうちょっと頑張って積雪量の変化を予測してみました。 先に結果を記しとくと、こんな感じになりました。横軸が日数、縦軸が積雪量(cm)です。 結果その1(青が実際の積雪量、赤線が予測した積雪量) 結果その2(青が実際の積雪量、赤線が予測した積雪量) 「結果その1」と「結果その2」がそれぞれ何なのかは以下を読んでみてください。 やりたかったこと 以前、機械学習で積雪の有無を予測してみた で scikit-learn を使って積雪の有無を予測してみたのですが、ちょっと欲が出てきて、有無じゃなくてまとまった期間の実際の積雪量(cm)を予測してみたい、と思ってやってみました。 具体的には、気象庁から提供される 積雪量 風速 温度 などの気象データを取得して、そのうち最初の約7
競馬予想とトト予想について年末はいろいろ忙しくて はてなブログ などをチェックしているヒマなぞなかったのですが、最近興味深いブログを発見したので記録がてら思うことを書いてみます。 統計予測で競馬を当てる?統計で競馬を予想することはぜんぜん珍しいことではありません。少し前に話題になった ”ハズレ馬券経費騒動” や、英国の投資顧問?の例など やり方 によっては利益を挙げることができる。 とりあえず元ネタリンクを載せておきます。 競馬の予測をガチでやってみた – stockedge.jpの技術メモ 基本的に競馬なんてやるべきではないと私は思っている。胴元の取り分が多いからだ。宝くじに比べればまだましだが、それでも賭け金の20~30%は胴元に取られることにな… ただ彼らの場合、ものすごく規模というか投資額が大きいという特徴があります。 これは確率的に起こる可能性が高いものをすべて買うという方法をと
$y=e^x$ という関数をいわゆるディープラーニングで学習する、というお題を通じて、chainerを学んでみます。下記はchainer1.6.2.1で確認しています。 同じ内容をJupyter notebook形式でこちらに置いていますので、動かしながら確認したい方はそちらを参照してください。 まず必要なモジュール類をインポートします。 import numpy as np import chainer from chainer import cuda, Function, gradient_check, Variable, optimizers, serializers, utils from chainer import Link, Chain, ChainList import chainer.functions as F import chainer.links as L fro
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く