2016년 4월 9일
microsoft 세미나 발표자료입니다.
발표는 PPT 로 할거고 애니메이션등 약간의 내용을 추가해서 발표할 예정입니다.
알파고관련된 내용만있는 축약본은 아래링크에 있습니다.
http://www.slideshare.net/redrebel/20160409-ms-ml
2016년 4월 9일
microsoft 세미나 발표자료입니다.
발표는 PPT 로 할거고 애니메이션등 약간의 내용을 추가해서 발표할 예정입니다.
알파고관련된 내용만있는 축약본은 아래링크에 있습니다.
http://www.slideshare.net/redrebel/20160409-ms-ml
[한국어] Multiagent Bidirectional- Coordinated Nets for Learning to Play StarCra...Kiho Suh
모두의연구소에서 발표한 “Multiagent Bidirectional-Coordinated Nets for Learning to Play StarCraft Combat Games” 자료를 공유합니다.
스타크래프트를 시험 시나리오로 사용해서 여러 agent들이 한 팀으로 행동하게 하여 적과 싸워서 이기는게 목적입니다. 그래서 한 팀으로 행동하기 위해서는 communication이 엄청 중요합니다. 수많은 시나리오가 일어날수있는 스타크래프트에서는 확장 가능하면서 효과적인 communication protocol이 필요하고 BiCNet with vectorized extension of actor-critic formulation이라는것을 써서 이것을 해결합니다.
모두를 위한 Deep Reinforcement Learning 강의를 요약정리
http://hunkim.github.io/ml/
실습에 사용된 코드
https://github.com/freepsw/tensorflow_examples/tree/master/20.RL_by_SungKim
Machine Learning Foundations (a case study approach) 강의 정리SANG WON PARK
실제 비즈니스에서 많이 활용되는 사례를 중심으로 어떻게 기존 데이터를 이용하여 알고리즘을 선택하고, 학습하여, 예측모델을 구축 하는지 jupyter notebook을 이용하여 실제 코드를 이용하여 실습할 수 있다.
강의 초반에 강조하는 것 처럼, 머신러닝 알고리즘은 나중에 자세히 설명하는 과정이 따로 있고, 이번 강의는 실제 어떻게 활용하는지에 완전히 초점이 맞추어져 있어서, 알고리즘은 아주 간략한 수준으로 설명해 준다. (좀 더 구체적인 내용은 심화과정이 따로 있음)
http://blog.naver.com/freepsw/221113685916 참고
https://github.com/freepsw/coursera/tree/master/ML_Foundations/A_Case_Study 코드 샘플
[한국어] Neural Architecture Search with Reinforcement LearningKiho Suh
모두의연구소에서 발표했던 “Neural Architecture Search with Reinforcement Learning”이라는 논문발표 자료를 공유합니다. 머신러닝 개발 업무중 일부를 자동화하는 구글의 AutoML이 뭘하려는지 이 논문을 통해 잘 보여줍니다.
이 논문에서는 딥러닝 구조를 만드는 딥러닝 구조에 대해서 설명합니다. 800개의 GPU를 혹은 400개의 CPU를 썼고 State of Art 혹은 State of Art 바로 아래이지만 더 빠르고 더 작은 네트워크를 이것을 통해 만들었습니다. 이제 Feature Engineering에서 Neural Network Engineering으로 페러다임이 변했는데 이것의 첫 시도 한 논문입니다.
[한국어] Multiagent Bidirectional- Coordinated Nets for Learning to Play StarCra...Kiho Suh
모두의연구소에서 발표한 “Multiagent Bidirectional-Coordinated Nets for Learning to Play StarCraft Combat Games” 자료를 공유합니다.
스타크래프트를 시험 시나리오로 사용해서 여러 agent들이 한 팀으로 행동하게 하여 적과 싸워서 이기는게 목적입니다. 그래서 한 팀으로 행동하기 위해서는 communication이 엄청 중요합니다. 수많은 시나리오가 일어날수있는 스타크래프트에서는 확장 가능하면서 효과적인 communication protocol이 필요하고 BiCNet with vectorized extension of actor-critic formulation이라는것을 써서 이것을 해결합니다.
모두를 위한 Deep Reinforcement Learning 강의를 요약정리
http://hunkim.github.io/ml/
실습에 사용된 코드
https://github.com/freepsw/tensorflow_examples/tree/master/20.RL_by_SungKim
Machine Learning Foundations (a case study approach) 강의 정리SANG WON PARK
실제 비즈니스에서 많이 활용되는 사례를 중심으로 어떻게 기존 데이터를 이용하여 알고리즘을 선택하고, 학습하여, 예측모델을 구축 하는지 jupyter notebook을 이용하여 실제 코드를 이용하여 실습할 수 있다.
강의 초반에 강조하는 것 처럼, 머신러닝 알고리즘은 나중에 자세히 설명하는 과정이 따로 있고, 이번 강의는 실제 어떻게 활용하는지에 완전히 초점이 맞추어져 있어서, 알고리즘은 아주 간략한 수준으로 설명해 준다. (좀 더 구체적인 내용은 심화과정이 따로 있음)
http://blog.naver.com/freepsw/221113685916 참고
https://github.com/freepsw/coursera/tree/master/ML_Foundations/A_Case_Study 코드 샘플
[한국어] Neural Architecture Search with Reinforcement LearningKiho Suh
모두의연구소에서 발표했던 “Neural Architecture Search with Reinforcement Learning”이라는 논문발표 자료를 공유합니다. 머신러닝 개발 업무중 일부를 자동화하는 구글의 AutoML이 뭘하려는지 이 논문을 통해 잘 보여줍니다.
이 논문에서는 딥러닝 구조를 만드는 딥러닝 구조에 대해서 설명합니다. 800개의 GPU를 혹은 400개의 CPU를 썼고 State of Art 혹은 State of Art 바로 아래이지만 더 빠르고 더 작은 네트워크를 이것을 통해 만들었습니다. 이제 Feature Engineering에서 Neural Network Engineering으로 페러다임이 변했는데 이것의 첫 시도 한 논문입니다.
2. 앤트하우스
주가는 기존 방향으로 지속하려는 성질을 가지고 있습니다.
이를 주식에서의 관성의 법칙이라 하는데
이를 바탕으로 추세선을 그려 주식의 적절한
매수/매도 시기를 알 수 있습니다.
지난번에 알아본 추세분석에서 나아가 이를 응용한
추세선(지지선/저항선)에 대해 알아보겠습니다!
# 주식은 어디까지 상승하고 하락할까?
3. 추세선이란 ?
주가의 고점과 고점을 이은 선과 저점과 저점을 연결한
선이 일정한 간격을 두고 이어 지는 것
앤트하우스
저항선
주가의 고점을 연결한 선
지지선
주가의 저점을 연결한 선
수평선
주가의 고/저점을
수평하게 연결한 선
4. 지지선과 저항선이란 ?
보조선은 추세를 응용한 가격 예측의 핵심
지지선: 저점을 연결한 선으로 주가를 떨어지지 못하게 받쳐주는 보조선을 말함
저항선: 고점을 연결한 선으로 주가가 오르지 못하게 누르는 보조선을 말함
지지선 돌파: 반등 매수의 수요를 누를 만큼의 강력한 매도물량이 생김
-> 강력한 악재 or 세력의 매도
저항선 돌파: 저항 매도의 공급을 누를 만큼의 강력한 매수물량이 생김
- > 강력한 호재 or 세력의 매입
앤트하우스