Suche senden
Hochladen
ディープラーニングで株価予測をやってみた
•
Als PPTX, PDF herunterladen
•
16 gefällt mir
•
35,138 views
卓
卓也 安東
Folgen
福岡市内のイベントで発表した資料です。
Weniger lesen
Mehr lesen
Technologie
Melden
Teilen
Melden
Teilen
1 von 102
Jetzt herunterladen
Empfohlen
第28回言語処理学会年次大会での発表スライド
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
Sho Takase
第50回 コンピュータビジョン勉強会@関東「コンピュータビジョンで使えるツールLT大会2」発表資料。 Speaker Deck版: https://speakerdeck.com/shinya7y/deep-learning-frameworks-and-patent-wars
ディープラーニングのフレームワークと特許戦争
ディープラーニングのフレームワークと特許戦争
Yosuke Shinya
社内勉強会での講演資料
強化学習その1
強化学習その1
nishio
BengioのDeep Learningの輪読会資料 http://www.deeplearningbook.org/ 10.7-10.14
Deeplearning輪読会
Deeplearning輪読会
正志 坪坂
画像センシングシンポジウム (SSII 2019) の企画セッション「深層学習の高速化 〜 高速チップ、分散学習、軽量モデル 〜」の講演資料です。 深層学習モデルを高速化する下記6種類の手法の解説です。 - 畳み込みの分解 (Factorization) - 枝刈り (Pruning) - アーキテクチャ探索 (Neural Architecture Search; NAS) - 早期終了、動的計算グラフ (Early Termination, Dynamic Computation Graph) - 蒸留 (Distillation) - 量子化 (Quantization)
モデル高速化百選
モデル高速化百選
Yusuke Uchida
2019年6月15日日本人工知能学会登壇資料
ブレインパッドにおける機械学習プロジェクトの進め方
ブレインパッドにおける機械学習プロジェクトの進め方
BrainPad Inc.
2023/1/6 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
Deep Learning JP
2016/11/25 Deep Learning JP: http://deeplearning.jp/seminar-2/
[Dl輪読会]dl hacks輪読
[Dl輪読会]dl hacks輪読
Deep Learning JP
Empfohlen
第28回言語処理学会年次大会での発表スライド
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
Sho Takase
第50回 コンピュータビジョン勉強会@関東「コンピュータビジョンで使えるツールLT大会2」発表資料。 Speaker Deck版: https://speakerdeck.com/shinya7y/deep-learning-frameworks-and-patent-wars
ディープラーニングのフレームワークと特許戦争
ディープラーニングのフレームワークと特許戦争
Yosuke Shinya
社内勉強会での講演資料
強化学習その1
強化学習その1
nishio
BengioのDeep Learningの輪読会資料 http://www.deeplearningbook.org/ 10.7-10.14
Deeplearning輪読会
Deeplearning輪読会
正志 坪坂
画像センシングシンポジウム (SSII 2019) の企画セッション「深層学習の高速化 〜 高速チップ、分散学習、軽量モデル 〜」の講演資料です。 深層学習モデルを高速化する下記6種類の手法の解説です。 - 畳み込みの分解 (Factorization) - 枝刈り (Pruning) - アーキテクチャ探索 (Neural Architecture Search; NAS) - 早期終了、動的計算グラフ (Early Termination, Dynamic Computation Graph) - 蒸留 (Distillation) - 量子化 (Quantization)
モデル高速化百選
モデル高速化百選
Yusuke Uchida
2019年6月15日日本人工知能学会登壇資料
ブレインパッドにおける機械学習プロジェクトの進め方
ブレインパッドにおける機械学習プロジェクトの進め方
BrainPad Inc.
2023/1/6 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
Deep Learning JP
2016/11/25 Deep Learning JP: http://deeplearning.jp/seminar-2/
[Dl輪読会]dl hacks輪読
[Dl輪読会]dl hacks輪読
Deep Learning JP
人工知能学会 SWO研究会ワークショップ 「ナレッジグラフ推論チャレンジ2019技術勉強会」 https://kgrc2019ws.peatix.com/
ナレッジグラフ入門
ナレッジグラフ入門
KnowledgeGraph
NAS for CNN
0から理解するニューラルネットアーキテクチャサーチ(NAS)
0から理解するニューラルネットアーキテクチャサーチ(NAS)
MasanoriSuganuma
Hive on Tezのベストプラクティス
Hive on Tezのベストプラクティス
Yahoo!デベロッパーネットワーク
SB C&S株式会社主催、エヌビディア合同会社ほか共催のセミナー「AI・ディープラーニング研究者が話を聞きたい研究者の話と開発基盤の最新動向」における基調講演です。
機械学習を民主化する取り組み
機械学習を民主化する取り組み
Yoshitaka Ushiku
Universal Dependencies シンポジウム発表資料 @ 国立国語研究所 松田寛 - Megagon Labs
GiNZAで始める日本語依存構造解析 〜CaboCha, UDPipe, Stanford NLPとの比較〜
GiNZAで始める日本語依存構造解析 〜CaboCha, UDPipe, Stanford NLPとの比較〜
Megagon Labs
画像認識は現在、仕事・趣味と幅広い場面で欠かせないものとなってきています。その手段として機械学習を用いることももはや常識的になっていると言っても過言ではなく、そのためのチュートリアルも数多くあります。 ただ一方で、機械学習のもとになる「学習データの作り方」についてはあまり情報がありません。 本編では、この「データの取り方、処理方法(下ごしらえ)」にフォーカスした解説を進めていきます。
画像認識モデルを作るための鉄板レシピ
画像認識モデルを作るための鉄板レシピ
Takahiro Kubo
deeplab seminarでの発表資料です. 強化学習とゲーム理論の概略をまとめた後に,マルチエージェント強化学習について簡単にまとめています. なお,本資料には誤りが含まれる可能性もございますが,ご了承ください.
強化学習 と ゲーム理論 (MARL)
強化学習 と ゲーム理論 (MARL)
HarukaKiyohara
Gradient Boostingは近年Kaggleなどのコンペティションで注目を集めている分類や回帰問題に対するアルゴリズムの一つである。XGBoost, LightGBM, CatBoostなどが有名ではあるが、それらを土台にして近年はDeepGBMやNGBoostといった新規アルゴリズムの登場、汎化理論解析の進展、モデル解釈性の付与方法の多様化など、理論から応用まで多岐にわたる研究が行われている。本チュートリアルでは、Gradient Boostingに関する近年の研究動向やテクニックを、それらの社会実装までを見据えながら紹介していく。
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
「アドテクに機械学習を組み込むための推論の高速化」 2022/08/01 第68回 Machine Learning 15 minutes!! #ML15min https://machine-learning15minutes.connpass.com/event/252238/
アドテクに機械学習を組み込むための推論の高速化
アドテクに機械学習を組み込むための推論の高速化
MicroAd, Inc.(Engineer)
社内勉強会での講演資料
強化学習その2
強化学習その2
nishio
Dataset Distillationの解説
モデルではなく、データセットを蒸留する
モデルではなく、データセットを蒸留する
Takahiro Kubo
2017/6/2 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Generative Models of Visually Grounded Imagination
[DL輪読会]Generative Models of Visually Grounded Imagination
Deep Learning JP
本資料は2019年11月15日~11月16日に行われた統計・機械学習若手シンボジウムで今井が行った招待公演「強化学習エージェントの内発的動機付けによる探索とその応用」で使用した資料を,自主公開版として一部修正したものです. いわゆる内発的報酬(Intrinsic Reward)を用いた強化学習の手法について,近年(〜2019年)の手法や内容をまとめたものになります.
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
Shota Imai
2023/1/13 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
Deep Learning JP
2021/7/6に実施されたTier4 MoT Meetupの登壇資料です
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介
Takashi Suzuki
IEEE ITSS Nagoya Chapterでの講演資料
Pythonによる機械学習入門 ~Deep Learningに挑戦~
Pythonによる機械学習入門 ~Deep Learningに挑戦~
Yasutomo Kawanishi
数式手書きですみません。
べき乗則・パレート分布・ジップの法則
べき乗則・パレート分布・ジップの法則
Hiroyuki Kuromiya
物体検出やセグメンテーションタスクに利用可能な階層的Vision Transformerのサーベイ
近年のHierarchical Vision Transformer
近年のHierarchical Vision Transformer
Yusuke Uchida
cvpaper.challengeはコンピュータビジョン分野の今を映し、トレンドを創り出す挑戦です。論文サマリ・アイディア考案・議論・実装・論文投稿に取り組み、凡ゆる知識を共有しています。 http://xpaperchallenge.org/cv/ 本資料はViEW2021チュートリアルセッション「最新研究の始め方」のプレゼン素材です。また、xpaper.challengeの2020年末ワークショップとしてプレゼンした「研究効率化Tips」の拡張版です。本資料では3社12研究室300ページにわたるノウハウの詰め合わせです。 VIEW2021のチュートリアルセッションでは時間の制限があるため、こちらの資料から一部抜粋して発表を行うことになりますが、VIEW2021チュートリアルセッションの方にも足を運んでいただければ幸いです。 VIEW2021チュートリアルセッション:http://view.tc-iaip.org/view/2021/speaker/ts1 ViEW2021参加登録:http://view.tc-iaip.org/view/2021/registration
研究効率化Tips Ver.2
研究効率化Tips Ver.2
cvpaper. challenge
cvpaper.challenge の メタサーベイ発表スライドです。 cvpaper.challengeはコンピュータビジョン分野の今を映し、トレンドを創り出す挑戦です。論文サマリ作成・アイディア考案・議論・実装・論文投稿に取り組み、凡ゆる知識を共有します。 http://xpaperchallenge.org/cv/
効率的学習 / Efficient Training(メタサーベイ)
効率的学習 / Efficient Training(メタサーベイ)
cvpaper. challenge
ディープラーニングを使った時系列データの異常検知の手法の紹介と適用例を示します。
ディープラーニングによる時系列データの異常検知
ディープラーニングによる時系列データの異常検知
Core Concept Technologies
MLOpsという言葉からは運用という印象を受けますが、MLOps製品の機能やMLOpsカンファレンスの発表内容をみると、印象とは異なります。本スライドではなぜMLOpsがバズワードなのか紹介します
MLOpsはバズワード
MLOpsはバズワード
Tetsutaro Watanabe
Weitere ähnliche Inhalte
Was ist angesagt?
人工知能学会 SWO研究会ワークショップ 「ナレッジグラフ推論チャレンジ2019技術勉強会」 https://kgrc2019ws.peatix.com/
ナレッジグラフ入門
ナレッジグラフ入門
KnowledgeGraph
NAS for CNN
0から理解するニューラルネットアーキテクチャサーチ(NAS)
0から理解するニューラルネットアーキテクチャサーチ(NAS)
MasanoriSuganuma
Hive on Tezのベストプラクティス
Hive on Tezのベストプラクティス
Yahoo!デベロッパーネットワーク
SB C&S株式会社主催、エヌビディア合同会社ほか共催のセミナー「AI・ディープラーニング研究者が話を聞きたい研究者の話と開発基盤の最新動向」における基調講演です。
機械学習を民主化する取り組み
機械学習を民主化する取り組み
Yoshitaka Ushiku
Universal Dependencies シンポジウム発表資料 @ 国立国語研究所 松田寛 - Megagon Labs
GiNZAで始める日本語依存構造解析 〜CaboCha, UDPipe, Stanford NLPとの比較〜
GiNZAで始める日本語依存構造解析 〜CaboCha, UDPipe, Stanford NLPとの比較〜
Megagon Labs
画像認識は現在、仕事・趣味と幅広い場面で欠かせないものとなってきています。その手段として機械学習を用いることももはや常識的になっていると言っても過言ではなく、そのためのチュートリアルも数多くあります。 ただ一方で、機械学習のもとになる「学習データの作り方」についてはあまり情報がありません。 本編では、この「データの取り方、処理方法(下ごしらえ)」にフォーカスした解説を進めていきます。
画像認識モデルを作るための鉄板レシピ
画像認識モデルを作るための鉄板レシピ
Takahiro Kubo
deeplab seminarでの発表資料です. 強化学習とゲーム理論の概略をまとめた後に,マルチエージェント強化学習について簡単にまとめています. なお,本資料には誤りが含まれる可能性もございますが,ご了承ください.
強化学習 と ゲーム理論 (MARL)
強化学習 と ゲーム理論 (MARL)
HarukaKiyohara
Gradient Boostingは近年Kaggleなどのコンペティションで注目を集めている分類や回帰問題に対するアルゴリズムの一つである。XGBoost, LightGBM, CatBoostなどが有名ではあるが、それらを土台にして近年はDeepGBMやNGBoostといった新規アルゴリズムの登場、汎化理論解析の進展、モデル解釈性の付与方法の多様化など、理論から応用まで多岐にわたる研究が行われている。本チュートリアルでは、Gradient Boostingに関する近年の研究動向やテクニックを、それらの社会実装までを見据えながら紹介していく。
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
「アドテクに機械学習を組み込むための推論の高速化」 2022/08/01 第68回 Machine Learning 15 minutes!! #ML15min https://machine-learning15minutes.connpass.com/event/252238/
アドテクに機械学習を組み込むための推論の高速化
アドテクに機械学習を組み込むための推論の高速化
MicroAd, Inc.(Engineer)
社内勉強会での講演資料
強化学習その2
強化学習その2
nishio
Dataset Distillationの解説
モデルではなく、データセットを蒸留する
モデルではなく、データセットを蒸留する
Takahiro Kubo
2017/6/2 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Generative Models of Visually Grounded Imagination
[DL輪読会]Generative Models of Visually Grounded Imagination
Deep Learning JP
本資料は2019年11月15日~11月16日に行われた統計・機械学習若手シンボジウムで今井が行った招待公演「強化学習エージェントの内発的動機付けによる探索とその応用」で使用した資料を,自主公開版として一部修正したものです. いわゆる内発的報酬(Intrinsic Reward)を用いた強化学習の手法について,近年(〜2019年)の手法や内容をまとめたものになります.
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
Shota Imai
2023/1/13 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
Deep Learning JP
2021/7/6に実施されたTier4 MoT Meetupの登壇資料です
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介
Takashi Suzuki
IEEE ITSS Nagoya Chapterでの講演資料
Pythonによる機械学習入門 ~Deep Learningに挑戦~
Pythonによる機械学習入門 ~Deep Learningに挑戦~
Yasutomo Kawanishi
数式手書きですみません。
べき乗則・パレート分布・ジップの法則
べき乗則・パレート分布・ジップの法則
Hiroyuki Kuromiya
物体検出やセグメンテーションタスクに利用可能な階層的Vision Transformerのサーベイ
近年のHierarchical Vision Transformer
近年のHierarchical Vision Transformer
Yusuke Uchida
cvpaper.challengeはコンピュータビジョン分野の今を映し、トレンドを創り出す挑戦です。論文サマリ・アイディア考案・議論・実装・論文投稿に取り組み、凡ゆる知識を共有しています。 http://xpaperchallenge.org/cv/ 本資料はViEW2021チュートリアルセッション「最新研究の始め方」のプレゼン素材です。また、xpaper.challengeの2020年末ワークショップとしてプレゼンした「研究効率化Tips」の拡張版です。本資料では3社12研究室300ページにわたるノウハウの詰め合わせです。 VIEW2021のチュートリアルセッションでは時間の制限があるため、こちらの資料から一部抜粋して発表を行うことになりますが、VIEW2021チュートリアルセッションの方にも足を運んでいただければ幸いです。 VIEW2021チュートリアルセッション:http://view.tc-iaip.org/view/2021/speaker/ts1 ViEW2021参加登録:http://view.tc-iaip.org/view/2021/registration
研究効率化Tips Ver.2
研究効率化Tips Ver.2
cvpaper. challenge
cvpaper.challenge の メタサーベイ発表スライドです。 cvpaper.challengeはコンピュータビジョン分野の今を映し、トレンドを創り出す挑戦です。論文サマリ作成・アイディア考案・議論・実装・論文投稿に取り組み、凡ゆる知識を共有します。 http://xpaperchallenge.org/cv/
効率的学習 / Efficient Training(メタサーベイ)
効率的学習 / Efficient Training(メタサーベイ)
cvpaper. challenge
Was ist angesagt?
(20)
ナレッジグラフ入門
ナレッジグラフ入門
0から理解するニューラルネットアーキテクチャサーチ(NAS)
0から理解するニューラルネットアーキテクチャサーチ(NAS)
Hive on Tezのベストプラクティス
Hive on Tezのベストプラクティス
機械学習を民主化する取り組み
機械学習を民主化する取り組み
GiNZAで始める日本語依存構造解析 〜CaboCha, UDPipe, Stanford NLPとの比較〜
GiNZAで始める日本語依存構造解析 〜CaboCha, UDPipe, Stanford NLPとの比較〜
画像認識モデルを作るための鉄板レシピ
画像認識モデルを作るための鉄板レシピ
強化学習 と ゲーム理論 (MARL)
強化学習 と ゲーム理論 (MARL)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
アドテクに機械学習を組み込むための推論の高速化
アドテクに機械学習を組み込むための推論の高速化
強化学習その2
強化学習その2
モデルではなく、データセットを蒸留する
モデルではなく、データセットを蒸留する
[DL輪読会]Generative Models of Visually Grounded Imagination
[DL輪読会]Generative Models of Visually Grounded Imagination
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介
Pythonによる機械学習入門 ~Deep Learningに挑戦~
Pythonによる機械学習入門 ~Deep Learningに挑戦~
べき乗則・パレート分布・ジップの法則
べき乗則・パレート分布・ジップの法則
近年のHierarchical Vision Transformer
近年のHierarchical Vision Transformer
研究効率化Tips Ver.2
研究効率化Tips Ver.2
効率的学習 / Efficient Training(メタサーベイ)
効率的学習 / Efficient Training(メタサーベイ)
Ähnlich wie ディープラーニングで株価予測をやってみた
ディープラーニングを使った時系列データの異常検知の手法の紹介と適用例を示します。
ディープラーニングによる時系列データの異常検知
ディープラーニングによる時系列データの異常検知
Core Concept Technologies
MLOpsという言葉からは運用という印象を受けますが、MLOps製品の機能やMLOpsカンファレンスの発表内容をみると、印象とは異なります。本スライドではなぜMLOpsがバズワードなのか紹介します
MLOpsはバズワード
MLOpsはバズワード
Tetsutaro Watanabe
2019.11.14 アスクル社内勉強会 LT資料
Askul internal study-session
Askul internal study-session
ShimpeiIwamaru
2019.11.15 株式会社ACCESS 社内勉強会(代打で登壇)
Access internal study-session
Access internal study-session
ShimpeiIwamaru
大人気セミナーとなった日経コンピュータ主催【ゼロから分かる「機械学習」実践講座 《演習付き》】のセミナー資料。
日経コンピュータ主催:さわってわかる機械学習 Azure Machine Learning 実践セミナー
日経コンピュータ主催:さわってわかる機械学習 Azure Machine Learning 実践セミナー
Hiroshi Senga
先端IT活用推進コンソーシアム 協働プロジェクト 『空気を読む家』 セッション4:『空気を読む家』におけるオブジェクト認識技術
ソフトウェアジャパン2018 ITフォーラムセッション(4)
ソフトウェアジャパン2018 ITフォーラムセッション(4)
aitc_jp
2015-10-12 potatotips #22
Caffeでお手軽本格ディープラーニングアプリ @potatotips
Caffeでお手軽本格ディープラーニングアプリ @potatotips
Takuya Matsuyama
2017/11/16 BMXUGつきじ#2 資料 私が確認した限りのWatson Discoveryの機能です。
一年目がWatsonを調べてみた Discovery編
一年目がWatsonを調べてみた Discovery編
Jin Hirokawa
Microsoft Tech Summit #mstsjp17 2017/11/08
ディープラーニングの産業応用とそれを支える技術
ディープラーニングの産業応用とそれを支える技術
Shohei Hido
[Japan Tech summit 2017] MAI 001 セッション資料
[Japan Tech summit 2017] MAI 001
[Japan Tech summit 2017] MAI 001
Microsoft Tech Summit 2017
プログラミング言語Rustの社内イベントの発表資料です
Rustに触れて私のPythonはどう変わったか
Rustに触れて私のPythonはどう変わったか
ShunsukeNakamura17
自動運転時代には、今よりも更新頻度の高い地図が必要です。MoTでは大手地図会社であるゼンリンとの共同開発により、ドライブレコーダの動画を元に道路情報の差分を自動で抽出し、地図更新に役立てるプロジェクトを行っています。このプロジェクトを紹介します。 技術的な紹介ポイントとしては、次のものになります。マップマッチ、機械学習(ディープラーニング)、SLAMそしてGISツール等を組み合わせた高度なアプリケーション。大量の動画データに対して分散処理するために、AWS FSx for LustreやAWS Batchを用いてシステムを構成。計算コストの高い機械学習推論処理を最適化する工夫。データサイエンティストの成果物を本番に取り込むためのフレームワーク。
ドライブレコーダの動画を使った道路情報の自動差分抽出
ドライブレコーダの動画を使った道路情報の自動差分抽出
Tetsutaro Watanabe
SORACOM主催 IoT Technology Conference if-up 2017 発表資料
エッジヘビーコンピューティングと機械学習
エッジヘビーコンピューティングと機械学習
Preferred Networks
可視化法学(Found it Project #9)編です。 https://foundit-project.connpass.com/event/66468/
可視化法学(Found it project#9)
可視化法学(Found it project#9)
(shibao)芝尾 (kouichiro)幸一郎
TokyoWebmining #8での発表資料です。 当日に見せたデータの部分に関しては割愛しています。
アクセスデータ収集と解析
アクセスデータ収集と解析
Yoichi Tomi
『空気を読む家』におけるオブジェクト認識技術
AITCオープンラボ 2018年5月度(3)
AITCオープンラボ 2018年5月度(3)
aitc_jp
2016/7/23 第9回科学技術におけるロボット教育シンポジウムでの発表スライドです。
Deep Learningを用いたロボット制御
Deep Learningを用いたロボット制御
Ryosuke Okuta
DeNA TechCon 2018の登壇資料です。
深層学習を用いたコンピュータビジョン技術とスマートショップの実現
深層学習を用いたコンピュータビジョン技術とスマートショップの実現
DeNA
Morpho
Soft neuro
Soft neuro
ssuser3a4b8c
Aiカンファレンス 2017@ビッグサイトでの講演資料です。自動車、ロボット、バイオヘルスケアでの応用事例、および今後の課題について書いてあります。
aiconf2017okanohara
aiconf2017okanohara
Preferred Networks
Ähnlich wie ディープラーニングで株価予測をやってみた
(20)
ディープラーニングによる時系列データの異常検知
ディープラーニングによる時系列データの異常検知
MLOpsはバズワード
MLOpsはバズワード
Askul internal study-session
Askul internal study-session
Access internal study-session
Access internal study-session
日経コンピュータ主催:さわってわかる機械学習 Azure Machine Learning 実践セミナー
日経コンピュータ主催:さわってわかる機械学習 Azure Machine Learning 実践セミナー
ソフトウェアジャパン2018 ITフォーラムセッション(4)
ソフトウェアジャパン2018 ITフォーラムセッション(4)
Caffeでお手軽本格ディープラーニングアプリ @potatotips
Caffeでお手軽本格ディープラーニングアプリ @potatotips
一年目がWatsonを調べてみた Discovery編
一年目がWatsonを調べてみた Discovery編
ディープラーニングの産業応用とそれを支える技術
ディープラーニングの産業応用とそれを支える技術
[Japan Tech summit 2017] MAI 001
[Japan Tech summit 2017] MAI 001
Rustに触れて私のPythonはどう変わったか
Rustに触れて私のPythonはどう変わったか
ドライブレコーダの動画を使った道路情報の自動差分抽出
ドライブレコーダの動画を使った道路情報の自動差分抽出
エッジヘビーコンピューティングと機械学習
エッジヘビーコンピューティングと機械学習
可視化法学(Found it project#9)
可視化法学(Found it project#9)
アクセスデータ収集と解析
アクセスデータ収集と解析
AITCオープンラボ 2018年5月度(3)
AITCオープンラボ 2018年5月度(3)
Deep Learningを用いたロボット制御
Deep Learningを用いたロボット制御
深層学習を用いたコンピュータビジョン技術とスマートショップの実現
深層学習を用いたコンピュータビジョン技術とスマートショップの実現
Soft neuro
Soft neuro
aiconf2017okanohara
aiconf2017okanohara
Kürzlich hochgeladen
Jue Wang, Wentao Zhu, Pichao Wang, Xiang Yu, Linda Liu, Mohamed Omar, Raffay Hamid, " Selective Structured State-Spaces for Long-Form Video Understanding" CVPR2023 https://openaccess.thecvf.com/content/CVPR2023/html/Wang_Selective_Structured_State-Spaces_for_Long-Form_Video_Understanding_CVPR_2023_paper.html
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
Toru Tamaki
This is an introduction to MAPPO's paper.
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
atsushi061452
2022年10月27日に社内向けに開催した勉強会資料の社外公開版です(発表8分程度)
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Hiroshi Tomioka
Key topics covered: - Understanding Ballerina's role in integrations: features and advantages - Designing and implementing REST APIs for integration - Designing and implementing GraphQL services with Ballerina - Monitoring and observing applications - Introduction to data integration
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
WSO2
2024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
CRI Japan, Inc.
LoRaWANスマート距離検出センサー DS20Lカタログ
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
CRI Japan, Inc.
2024年5月8日 Power Platform 勉強会 #1 LT資料
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
sn679259
2024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
Syed Talal Wasim, Muzammal Naseer, Salman Khan, Ming-Hsuan Yang, Fahad Shahbaz Khan , "Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Grounding" arXiv2024 https://arxiv.org/abs/2401.00901v2
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
Toru Tamaki
Kürzlich hochgeladen
(11)
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
ディープラーニングで株価予測をやってみた
1.
ディープラーニングで 株価予測をやってみた 2016/9/16 福岡市内のベンチャー企業が取り組む最新it技術
2.
自己紹介 あんどう(@t_andou) • 元ニート。 • 現在はWeb系の開発 •
機械学習に趣味で入門して半年くらい • 機械学習勉強会@福岡を不定期開催 2
3.
今回の内容
4.
今回の内容 • ディープラーニングとは? • 翌日の株価値動きを予測してみた •
売買のシミュレーションをしてみた • まとめ
5.
ディープラーニングとは?
6.
ディープラーニングとは 「ディープラーニング」とは、システムがデー タの特徴を学習して事象の認識や分類を行う「 機械学習」の手法です。データの特徴をより深 いレベルで学習し、非常に高い精度で特徴を認 識できるため、人の声の認識や、カメラで撮影 した画像の認識などで応用が期待されています 。 NTTコムウェア様より引用 https://www.nttcom.co.jp/research/keyword/dl/
7.
ディープラーニングとは 「ディープラーニング」とは、システムがデー タの特徴を学習して事象の認識や分類を行う「 機械学習」の手法です。データの特徴をより深 いレベルで学習し、非常に高い精度で特徴を認 識できるため、人の声の認識や、カメラで撮影 した画像の認識などで応用が期待されています 。 NTTコムウェア様より引用 https://www.nttcom.co.jp/research/keyword/dl/
8.
http://www.sbbit.jp/article/cont1/32033 より引用
9.
ディープラーニングの凄い所 は 特徴を見つけてくれること
10.
ディープラーニングで 出来ること
11.
きゅうりの等級仕分け http://gigazine.net/news/20160901-deep-learning-cucumber-sorter/ より引用
12.
画像から癌を検出したり http://hakuraidou.com/blog/52623/ より引用
13.
人工知能が相談に乗ったり http://oshiete.goo.ne.jp/ai より引用
14.
モノクロ映画をカラーにしたり
15.
プロフィール画像を生成したり
16.
柴犬画像を集めてもらったり
17.
哲学書を読ませて・書かせたり 吾々は無力となることが必規一般性――だけに立 つ次との関係の可能怲を有ち徟げて前にはカント の矠目的だおのこの事物の解釈は一定の分析とい であろう、それは実際何に於ける超直胃を担うな らば、云わばこの専門的な意志」によれば、如何 な拡定され得る。もし論理的本質の本当を世界観 から感情であった限りの特有な、その高度から発 生するであろ?
18.
いろいろ事例はありますが
19.
大きく分けると 出来ることは2種類
20.
分類と生成
21.
分類と生成 今回はこちら
22.
株価(日経平均)から 特徴を抽出してもらって
23.
翌日の株価が 上がるか・下がるかを 分類(=予測)出来ないか?
24.
どのくらいの精度になるのか ?
25.
注意
26.
注意 • 機械学習の初心者 • 投資は株式の現物をちょっとだけ •
FXも先物も未経験 ➡ アドバイスください
27.
翌日の株価値動きを 予測してみた その1
28.
まずは日経平均のデータだけ でやってみました。
29.
使ったデータ
30.
使ったデータ 約32年分の日足のデータ • 日付 • 始値、終値、安値、高値、出来高 •
翌日が上がったかどうか
31.
使ったデータ
32.
使ったデータ この組み合わせを学習させて
33.
使ったデータ 翌日が上がるか下がるか
34.
使ったデータ ここを予測してもらう
35.
使ったツール
36.
H2O.ai
37.
H2O.ai • 用意するのはCSVだけ • プログラミング不要 ➡
便利
38.
結果
39.
結果
40.
結果の見方 縦が予想
41.
結果の見方 横が実際のデータ
42.
結果の見方 Highと予想
43.
結果の見方 Lowと予想
44.
結果の見方 Sameと予想
45.
結果の見方 実際はHigh
46.
結果の見方 実際はLow
47.
結果の見方 実際はSame
48.
結果 全てHighと予想 正解率は約50%
49.
全然ダメでした
50.
結果 • 日足のデータからだけでは予想できない • データが足りない?
51.
翌日の株価値動きを 予測してみた その2
52.
海外の株価の値動きも データに入れてみた
53.
使ったデータ • 日経平均のデータと同様の形式で 香港・ダウ・FTSE100(イギリスの指標) の三つを追加 • 予測してもらうのは日経平均の翌日の値動き (上がるか下がるか)
54.
結果
55.
結果
56.
結果 High/Low どちらも予測してくれた
57.
結果 正解率:約67%
58.
結果 • 日経平均のデータだけの時よりもだいぶ良い 結果になった
59.
結論と感想 • 入力するデータ(教師)がダメだと作られる 人工知能もダメになる • データの整形やパラメータ調整が大変だった
60.
ここまでの内容の詳細は
61.
ブログに書いています
62.
ここまでの内容の詳細は ブログに書いています 詳しく知りたい方は
63.
詳しく知りたい方は
64.
それらしい結果が出て満足
65.
だったのですが…
66.
ダウの値動きを入れたなら 日経の予想ができるのは当然では? Twitterの反応より
67.
そうなの? (相関があるらしいで す)
68.
日経平均のデータだけで なんとかできないか
69.
あと
70.
売買のシミュレーションも してみたい
71.
ということで
72.
日経平均のデータだけで
73.
売買のシミュレーションを やってみた
74.
シミュレーションの条件
75.
条件 下記のようにゆるい条件下でのシミュレーションです • 手数料を考慮していない • 分散投資をしていない •
空売りしない ➡ 終値の価格で全力で売買を出来たら
76.
使ったデータ
77.
使ったデータ • 日経平均のデータのみを使用 • 過去25日間のデータを追加 •
テクニカル分析の指標(ボリンジャーバンド ・ボラティリティ)を追加
78.
前半はツールを使いましたが
79.
後半はプログラムを書きました • Python2 • Pandas •
Talib などなど
80.
内容はこんな感じ • 買いと判断した時に資金があれば全力買い • 売りと判断した時に保有していれば全力売り •
それ以外は何もしない
81.
結果
82.
の前に
83.
ランダムに売買した場合
84.
ランダムに売買した場合1
85.
ランダムに売買した場合1 日経平均の値動き
86.
ランダムに売買した場合1 総資産の推移
87.
ランダムに売買した場合1 100万からのスタート
88.
ランダムに売買した場合1 約400,000の損失
89.
ランダムに売買した場合2
90.
ランダムに売買した場合2 約1,400,000の利益
91.
ランダムに売買した場合2 儲かることもある
92.
ディープラーニングで 売買判断した場合
93.
人工知能で売買判断した場 合
94.
人工知能で売買判断した場 合 約9,000,000の利益
95.
人工知能で売買判断した場 合 年利7%くらい
96.
まとめ
97.
まとめ • ランダムよりは良い結果だった • ゆるい条件下で年利7%なので、まだまだ •
教師データと学習に使うデータの選択の仕方 によっては伸びる可能性はありそう
98.
今後について
99.
今後 • 日経平均よりもFXに方向転換を検討中 • 日経平均の予測をしてくれるサイトを作って ます(完成時期未定)
100.
日経予測サイト(仮)
101.
質問などはお気軽にどうぞ
102.
ご静聴いただき ありがとうございました
Jetzt herunterladen