Enviar pesquisa
Carregar
ディープラーニングで株価予測をやってみた
•
Transferir como PPTX, PDF
•
16 gostaram
•
35,137 visualizações
卓
卓也 安東
Seguir
福岡市内のイベントで発表した資料です。
Leia menos
Leia mais
Tecnologia
Vista de apresentação de diapositivos
Denunciar
Compartilhar
Vista de apresentação de diapositivos
Denunciar
Compartilhar
1 de 102
Baixar agora
Recomendados
PFI 全体セミナーで発表した、専門家向けではなく一般向けのDeep Learning(深層学習)の解説です。どのような場面で活躍しているのか、今までの学習手法と何が違うのかを解説しています。
一般向けのDeep Learning
一般向けのDeep Learning
Preferred Networks
大阪大学夏季集中講義「データ科学特論I」 深層学習の数理を「表現能力」「汎化能力」「最適化能力」について解説
深層学習の数理
深層学習の数理
Taiji Suzuki
PFN福田圭祐による東大大学院「融合情報学特別講義Ⅲ」(2022年10月19日)の講義資料です。 ・Introduction to Preferred Networks ・Our developments to date ・Our research & platform ・Simulation ✕ AI
PFNにおける研究開発(2022/10/19 東大大学院「融合情報学特別講義Ⅲ」)
PFNにおける研究開発(2022/10/19 東大大学院「融合情報学特別講義Ⅲ」)
Preferred Networks
2023/7/20 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】Llama 2: Open Foundation and Fine-Tuned Chat Models
【DL輪読会】Llama 2: Open Foundation and Fine-Tuned Chat Models
Deep Learning JP
為替と株の予測アルゴリズムを作るときに知っておくと良いかもしれない話
為替と株の予測の話
為替と株の予測の話
Kentaro Imajo
2023/7/28 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】SimPer: Simple self-supervised learning of periodic targets( ICLR 2023 )
【DL輪読会】SimPer: Simple self-supervised learning of periodic targets( ICLR 2023 )
Deep Learning JP
第41回IBISML研究会 https://www.ieice.org/ken/program/index.php?mode=program&tgs_regid=fcaa63fc93919d63c192941825025f97dfeb046f102fa4fa2c046abe6dc556ce 【講演タイトル】 “機械学習の説明”の信頼性 【講演概要】 機械学習を実社会で利用する上での課題の一つに「機械学習モデルはブラックボックスで説明ができない」点があげられる。このようなモデルのブラックボックス性の問題を解消するために、ここ数年では機械学習モデルの“説明”の研究が活発になされている。しかし、これらの“説明”そのものの信頼性に課題があることが最近の研究で明らかになってきている。本講演ではこれら“説明”の信頼性に関する最近の研究について紹介する。
“機械学習の説明”の信頼性
“機械学習の説明”の信頼性
Satoshi Hara
【注意点】 ● MTurkにおける回答の質の悪化 現在、MTurkにおける回答の質の悪化が複数の論文で指摘されています。(botや不誠実な参加者)。代替サービスとしてProlificという学術利用に特化したクラウドソーシングサービスがあります。MTurkとProlificの回答の質を比較し、Prolificの利用を推奨すると結論付ける論文が複数発表されています。 ● ユーザ調査の報酬額の相場の変化 P12にて2010~12年頃の論文に書かれていた報酬額設定(低価格)を引用しましたが、現在は研究倫理の観点から十分な報酬額設定が重要視されています。 2019年現在における最新の報酬額の動向については以下の資料をご参照ください。 https://speakerdeck.com/ayakohasegawa/design-of-user-study ● 仕様変更 本資料は2018年当時のMTurkの仕様に基づいて作成したものであり、最新の仕様と異なる箇所が存在します。 問い合わせ:aya.h.research at gmail.com
実践 Amazon Mechanical Turk ※下記の注意点をご覧ください(回答の質の悪化・報酬額の相場の変化・仕様変更)
実践 Amazon Mechanical Turk ※下記の注意点をご覧ください(回答の質の悪化・報酬額の相場の変化・仕様変更)
Ayako_Hasegawa
Recomendados
PFI 全体セミナーで発表した、専門家向けではなく一般向けのDeep Learning(深層学習)の解説です。どのような場面で活躍しているのか、今までの学習手法と何が違うのかを解説しています。
一般向けのDeep Learning
一般向けのDeep Learning
Preferred Networks
大阪大学夏季集中講義「データ科学特論I」 深層学習の数理を「表現能力」「汎化能力」「最適化能力」について解説
深層学習の数理
深層学習の数理
Taiji Suzuki
PFN福田圭祐による東大大学院「融合情報学特別講義Ⅲ」(2022年10月19日)の講義資料です。 ・Introduction to Preferred Networks ・Our developments to date ・Our research & platform ・Simulation ✕ AI
PFNにおける研究開発(2022/10/19 東大大学院「融合情報学特別講義Ⅲ」)
PFNにおける研究開発(2022/10/19 東大大学院「融合情報学特別講義Ⅲ」)
Preferred Networks
2023/7/20 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】Llama 2: Open Foundation and Fine-Tuned Chat Models
【DL輪読会】Llama 2: Open Foundation and Fine-Tuned Chat Models
Deep Learning JP
為替と株の予測アルゴリズムを作るときに知っておくと良いかもしれない話
為替と株の予測の話
為替と株の予測の話
Kentaro Imajo
2023/7/28 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】SimPer: Simple self-supervised learning of periodic targets( ICLR 2023 )
【DL輪読会】SimPer: Simple self-supervised learning of periodic targets( ICLR 2023 )
Deep Learning JP
第41回IBISML研究会 https://www.ieice.org/ken/program/index.php?mode=program&tgs_regid=fcaa63fc93919d63c192941825025f97dfeb046f102fa4fa2c046abe6dc556ce 【講演タイトル】 “機械学習の説明”の信頼性 【講演概要】 機械学習を実社会で利用する上での課題の一つに「機械学習モデルはブラックボックスで説明ができない」点があげられる。このようなモデルのブラックボックス性の問題を解消するために、ここ数年では機械学習モデルの“説明”の研究が活発になされている。しかし、これらの“説明”そのものの信頼性に課題があることが最近の研究で明らかになってきている。本講演ではこれら“説明”の信頼性に関する最近の研究について紹介する。
“機械学習の説明”の信頼性
“機械学習の説明”の信頼性
Satoshi Hara
【注意点】 ● MTurkにおける回答の質の悪化 現在、MTurkにおける回答の質の悪化が複数の論文で指摘されています。(botや不誠実な参加者)。代替サービスとしてProlificという学術利用に特化したクラウドソーシングサービスがあります。MTurkとProlificの回答の質を比較し、Prolificの利用を推奨すると結論付ける論文が複数発表されています。 ● ユーザ調査の報酬額の相場の変化 P12にて2010~12年頃の論文に書かれていた報酬額設定(低価格)を引用しましたが、現在は研究倫理の観点から十分な報酬額設定が重要視されています。 2019年現在における最新の報酬額の動向については以下の資料をご参照ください。 https://speakerdeck.com/ayakohasegawa/design-of-user-study ● 仕様変更 本資料は2018年当時のMTurkの仕様に基づいて作成したものであり、最新の仕様と異なる箇所が存在します。 問い合わせ:aya.h.research at gmail.com
実践 Amazon Mechanical Turk ※下記の注意点をご覧ください(回答の質の悪化・報酬額の相場の変化・仕様変更)
実践 Amazon Mechanical Turk ※下記の注意点をご覧ください(回答の質の悪化・報酬額の相場の変化・仕様変更)
Ayako_Hasegawa
SSII2020 チュートリアルセッション TS3 6/12 (金) 9:30~10:40 メイン会場 (vimeo + sli.do) 本チュートリアルでは、機械学習モデルの判断根拠を提示するための説明法について紹介する。高精度な認識・識別が可能な機械学習モデルは一般に非常に複雑な構造をしており、どのような基準で判断が下されているかを人間が窺い知ることは困難である。このようなモデルのブラックボックス性を解消するために、近年様々なモデルの説明法が研究・提案されてきている。本チュートリアルではこれら代表的な説明法及び近年の更なる展開について紹介する。
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
SSII
Kaggleコンペ TalkingData AdTracking Fraud Detection Challengeの1位解法の概要です
TalkingData AdTracking Fraud Detection Challenge (1st place solution)
TalkingData AdTracking Fraud Detection Challenge (1st place solution)
Takanori Hayashi
2019/12/20 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介
Deep Learning JP
第1回 複雑ネットワーク輪読会 資料
NetworkXによる語彙ネットワークの可視化
NetworkXによる語彙ネットワークの可視化
Shintaro Takemura
2018/02/14 Deep Learning Lab 異常検知ナイト 「異常検知入門」発表資料です https://dllab.connpass.com/event/77248/
Deep Learning Lab 異常検知入門
Deep Learning Lab 異常検知入門
Shohei Hido
研究室配属後にいつも説明する文献調査のやり方に関する資料
文献調査をどのように行うべきか?
文献調査をどのように行うべきか?
Yuichi Goto
生成モデルとかをあまり知らない人にもなるべく分かりやすい説明を心がけたVariational AutoEncoderのスライド 実装と簡単な補足は以下を参照 http://sh-tatsuno.com/blog/index.php/2016/07/30/variationalautoencoder/
猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoder
Sho Tatsuno
暦本研(東京大学情報学環)の研究法ガイダンス資料です claimとは アイデア生産の三要素 天使度/悪魔度
研究法(Claimとは)
研究法(Claimとは)
Jun Rekimoto
020/02/07 Deep Learning JP: http://deeplearning.jp/seminar-2/2
[DL輪読会](Sequential) Variational Autoencoders for Collaborative Filtering
[DL輪読会](Sequential) Variational Autoencoders for Collaborative Filtering
Deep Learning JP
python PyTorchLightning Hydrea MLFlow Optuna MLOps
PyTorchLightning ベース Hydra+MLFlow+Optuna による機械学習開発環境の構築
PyTorchLightning ベース Hydra+MLFlow+Optuna による機械学習開発環境の構築
Kosuke Shinoda
藤井 流華, 岡本 一志: モデルベース協調フィルタリングにおける推薦の透明性に関する検討, Webインテリジェンスとインタラクション研究会 第13回研究会, 2018.12.03
モデルベース協調フィルタリングにおける推薦の透明性に関する検討
モデルベース協調フィルタリングにおける推薦の透明性に関する検討
Okamoto Laboratory, The University of Electro-Communications
NLP コロキウム https://nlp-colloquium-jp.github.io/ で発表した際のスライドです。 論文: https://arxiv.org/abs/2205.01954 GitHub: https://github.com/joisino/wordtour 概要 単語埋め込みは現代の自然言語処理の中核技術のひとつで、文書分類や類似度測定をはじめとして、さまざまな場面で使用されていることは知っての通りです。しかし、ふつう埋め込み先は何百という高次元であり、使用する時には多くの時間やメモリを消費するうえに、高次元埋め込みを視覚的に表現できないため解釈が難しいことが問題です。そこで本研究では、【一次元】の単語埋め込みを教師なしで得る方法を提案します。とはいえ、単語のあらゆる側面を一次元で捉えるのは不可能であるので、本研究ではまず単語埋め込みが満たすべき性質を健全性と完全性という二つに分解します。提案法の WordTour は、完全性はあきらめ、健全性のみを課すことで一次元埋め込みを可能にし、それでいて、全ての、とまでは言わないまでも、いくつかの応用において有用な一次元埋め込みを得ることに成功しました。
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
joisino
本スライドは、弊社の梅本により弊社内の技術勉強会で使用されたものです。 近年注目を集めるアーキテクチャーである「Transformer」の解説スライドとなっております。 "Arithmer Seminar" is weekly held, where professionals from within and outside our company give lectures on their respective expertise. The slides are made by the lecturer from outside our company, and shared here with his/her permission. Arithmer株式会社は東京大学大学院数理科学研究科発の数学の会社です。私達は現代数学を応用して、様々な分野のソリューションに、新しい高度AIシステムを導入しています。AIをいかに上手に使って仕事を効率化するか、そして人々の役に立つ結果を生み出すのか、それを考えるのが私たちの仕事です。 Arithmer began at the University of Tokyo Graduate School of Mathematical Sciences. Today, our research of modern mathematics and AI systems has the capability of providing solutions when dealing with tough complex issues. At Arithmer we believe it is our job to realize the functions of AI through improving work efficiency and producing more useful results for society.
全力解説!Transformer
全力解説!Transformer
Arithmer Inc.
東京大学の研究室内で,今井がChatGPTの知見を共有するために使用したスライド資料です. 特に以下のような話題,技術について解説しています. ・ChatGPTの凄さ ・ChatGPTの技術 ・言語モデル ・プロンプト ・GPTとは ・InstructGPT ・言語モデルと強化学習
ChatGPT 人間のフィードバックから強化学習した対話AI
ChatGPT 人間のフィードバックから強化学習した対話AI
Shota Imai
2018/10/12 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]FOTS: Fast Oriented Text Spotting with a Unified Network
[DL輪読会]FOTS: Fast Oriented Text Spotting with a Unified Network
Deep Learning JP
2023/4/28 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】GPT-4Technical Report
【DL輪読会】GPT-4Technical Report
Deep Learning JP
言語処理学会第22回年次大会ワークショップ「論文に書かない(書けない)自然言語処理」
研究室における研究・実装ノウハウの共有
研究室における研究・実装ノウハウの共有
Naoaki Okazaki
2023/6/9 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】マルチモーダル 基盤モデル
【DL輪読会】マルチモーダル 基盤モデル
Deep Learning JP
2018年12月12日(日) 宇宙人クラブ・ミニセミナー @Wonder LAB Osaka
オントロジーとは?
オントロジーとは?
Kouji Kozaki
時系列分析による異常検知入門
時系列分析による異常検知入門
Yohei Sato
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
Mais conteúdo relacionado
Mais procurados
SSII2020 チュートリアルセッション TS3 6/12 (金) 9:30~10:40 メイン会場 (vimeo + sli.do) 本チュートリアルでは、機械学習モデルの判断根拠を提示するための説明法について紹介する。高精度な認識・識別が可能な機械学習モデルは一般に非常に複雑な構造をしており、どのような基準で判断が下されているかを人間が窺い知ることは困難である。このようなモデルのブラックボックス性を解消するために、近年様々なモデルの説明法が研究・提案されてきている。本チュートリアルではこれら代表的な説明法及び近年の更なる展開について紹介する。
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
SSII
Kaggleコンペ TalkingData AdTracking Fraud Detection Challengeの1位解法の概要です
TalkingData AdTracking Fraud Detection Challenge (1st place solution)
TalkingData AdTracking Fraud Detection Challenge (1st place solution)
Takanori Hayashi
2019/12/20 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介
Deep Learning JP
第1回 複雑ネットワーク輪読会 資料
NetworkXによる語彙ネットワークの可視化
NetworkXによる語彙ネットワークの可視化
Shintaro Takemura
2018/02/14 Deep Learning Lab 異常検知ナイト 「異常検知入門」発表資料です https://dllab.connpass.com/event/77248/
Deep Learning Lab 異常検知入門
Deep Learning Lab 異常検知入門
Shohei Hido
研究室配属後にいつも説明する文献調査のやり方に関する資料
文献調査をどのように行うべきか?
文献調査をどのように行うべきか?
Yuichi Goto
生成モデルとかをあまり知らない人にもなるべく分かりやすい説明を心がけたVariational AutoEncoderのスライド 実装と簡単な補足は以下を参照 http://sh-tatsuno.com/blog/index.php/2016/07/30/variationalautoencoder/
猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoder
Sho Tatsuno
暦本研(東京大学情報学環)の研究法ガイダンス資料です claimとは アイデア生産の三要素 天使度/悪魔度
研究法(Claimとは)
研究法(Claimとは)
Jun Rekimoto
020/02/07 Deep Learning JP: http://deeplearning.jp/seminar-2/2
[DL輪読会](Sequential) Variational Autoencoders for Collaborative Filtering
[DL輪読会](Sequential) Variational Autoencoders for Collaborative Filtering
Deep Learning JP
python PyTorchLightning Hydrea MLFlow Optuna MLOps
PyTorchLightning ベース Hydra+MLFlow+Optuna による機械学習開発環境の構築
PyTorchLightning ベース Hydra+MLFlow+Optuna による機械学習開発環境の構築
Kosuke Shinoda
藤井 流華, 岡本 一志: モデルベース協調フィルタリングにおける推薦の透明性に関する検討, Webインテリジェンスとインタラクション研究会 第13回研究会, 2018.12.03
モデルベース協調フィルタリングにおける推薦の透明性に関する検討
モデルベース協調フィルタリングにおける推薦の透明性に関する検討
Okamoto Laboratory, The University of Electro-Communications
NLP コロキウム https://nlp-colloquium-jp.github.io/ で発表した際のスライドです。 論文: https://arxiv.org/abs/2205.01954 GitHub: https://github.com/joisino/wordtour 概要 単語埋め込みは現代の自然言語処理の中核技術のひとつで、文書分類や類似度測定をはじめとして、さまざまな場面で使用されていることは知っての通りです。しかし、ふつう埋め込み先は何百という高次元であり、使用する時には多くの時間やメモリを消費するうえに、高次元埋め込みを視覚的に表現できないため解釈が難しいことが問題です。そこで本研究では、【一次元】の単語埋め込みを教師なしで得る方法を提案します。とはいえ、単語のあらゆる側面を一次元で捉えるのは不可能であるので、本研究ではまず単語埋め込みが満たすべき性質を健全性と完全性という二つに分解します。提案法の WordTour は、完全性はあきらめ、健全性のみを課すことで一次元埋め込みを可能にし、それでいて、全ての、とまでは言わないまでも、いくつかの応用において有用な一次元埋め込みを得ることに成功しました。
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
joisino
本スライドは、弊社の梅本により弊社内の技術勉強会で使用されたものです。 近年注目を集めるアーキテクチャーである「Transformer」の解説スライドとなっております。 "Arithmer Seminar" is weekly held, where professionals from within and outside our company give lectures on their respective expertise. The slides are made by the lecturer from outside our company, and shared here with his/her permission. Arithmer株式会社は東京大学大学院数理科学研究科発の数学の会社です。私達は現代数学を応用して、様々な分野のソリューションに、新しい高度AIシステムを導入しています。AIをいかに上手に使って仕事を効率化するか、そして人々の役に立つ結果を生み出すのか、それを考えるのが私たちの仕事です。 Arithmer began at the University of Tokyo Graduate School of Mathematical Sciences. Today, our research of modern mathematics and AI systems has the capability of providing solutions when dealing with tough complex issues. At Arithmer we believe it is our job to realize the functions of AI through improving work efficiency and producing more useful results for society.
全力解説!Transformer
全力解説!Transformer
Arithmer Inc.
東京大学の研究室内で,今井がChatGPTの知見を共有するために使用したスライド資料です. 特に以下のような話題,技術について解説しています. ・ChatGPTの凄さ ・ChatGPTの技術 ・言語モデル ・プロンプト ・GPTとは ・InstructGPT ・言語モデルと強化学習
ChatGPT 人間のフィードバックから強化学習した対話AI
ChatGPT 人間のフィードバックから強化学習した対話AI
Shota Imai
2018/10/12 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]FOTS: Fast Oriented Text Spotting with a Unified Network
[DL輪読会]FOTS: Fast Oriented Text Spotting with a Unified Network
Deep Learning JP
2023/4/28 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】GPT-4Technical Report
【DL輪読会】GPT-4Technical Report
Deep Learning JP
言語処理学会第22回年次大会ワークショップ「論文に書かない(書けない)自然言語処理」
研究室における研究・実装ノウハウの共有
研究室における研究・実装ノウハウの共有
Naoaki Okazaki
2023/6/9 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】マルチモーダル 基盤モデル
【DL輪読会】マルチモーダル 基盤モデル
Deep Learning JP
2018年12月12日(日) 宇宙人クラブ・ミニセミナー @Wonder LAB Osaka
オントロジーとは?
オントロジーとは?
Kouji Kozaki
時系列分析による異常検知入門
時系列分析による異常検知入門
Yohei Sato
Mais procurados
(20)
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
TalkingData AdTracking Fraud Detection Challenge (1st place solution)
TalkingData AdTracking Fraud Detection Challenge (1st place solution)
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介
NetworkXによる語彙ネットワークの可視化
NetworkXによる語彙ネットワークの可視化
Deep Learning Lab 異常検知入門
Deep Learning Lab 異常検知入門
文献調査をどのように行うべきか?
文献調査をどのように行うべきか?
猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoder
研究法(Claimとは)
研究法(Claimとは)
[DL輪読会](Sequential) Variational Autoencoders for Collaborative Filtering
[DL輪読会](Sequential) Variational Autoencoders for Collaborative Filtering
PyTorchLightning ベース Hydra+MLFlow+Optuna による機械学習開発環境の構築
PyTorchLightning ベース Hydra+MLFlow+Optuna による機械学習開発環境の構築
モデルベース協調フィルタリングにおける推薦の透明性に関する検討
モデルベース協調フィルタリングにおける推薦の透明性に関する検討
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
全力解説!Transformer
全力解説!Transformer
ChatGPT 人間のフィードバックから強化学習した対話AI
ChatGPT 人間のフィードバックから強化学習した対話AI
[DL輪読会]FOTS: Fast Oriented Text Spotting with a Unified Network
[DL輪読会]FOTS: Fast Oriented Text Spotting with a Unified Network
【DL輪読会】GPT-4Technical Report
【DL輪読会】GPT-4Technical Report
研究室における研究・実装ノウハウの共有
研究室における研究・実装ノウハウの共有
【DL輪読会】マルチモーダル 基盤モデル
【DL輪読会】マルチモーダル 基盤モデル
オントロジーとは?
オントロジーとは?
時系列分析による異常検知入門
時系列分析による異常検知入門
Semelhante a 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
Semelhante a 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
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
Baixar agora