Submit Search
Upload
smarttrade勉強会
•
0 likes
•
265 views
T
taishinmurase
Follow
smarttrade勉強会
Read less
Read more
Technology
Report
Share
Report
Share
1 of 24
Download now
Download to read offline
Recommended
2014/7/9 Python札幌・ミニ勉強会 の資料です。 Remark.jsを使ってます。ソースコードはこちら: https://github.com/hamukazu/sapporo20140709
Sapporo20140709
Sapporo20140709
Kimikazu Kato
Jubatusにおける大規模分散オンライン機械学習
Jubatusにおける大規模分散オンライン機械学習
Preferred Networks
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks
Yuya Unno
研究室内で行なった、データ分析の勉強会にて使用したスライドです。
研究室勉強会資料「データ分析チュートリアル」
研究室勉強会資料「データ分析チュートリアル」
ymmt3-lab
某研究室のM1が,B4向けに機械学習の講義を行った際のスライドです.
機械学習
機械学習
Hikaru Takemura
機械学習始める人への概要と参考サイトをまとめたスライド
機械学習入門とGPUと学習参考サイト
機械学習入門とGPUと学習参考サイト
Yusuke Yoshie
ディープラーニング(深層学習)のソフトウェア「TensorFlow」の紹介と従来の機械学習との違いを解説
TensorFlowとは? ディープラーニング (深層学習) とは?
TensorFlowとは? ディープラーニング (深層学習) とは?
KSK Analytics Inc.
2017/7/1 db analytics showcase Sapporoで講演したときの資料です。 フルスクラッチから機械学習アルゴリズムの実装をしたい人向けです。
機械学習ゴリゴリ派のための数学とPython
機械学習ゴリゴリ派のための数学とPython
Kimikazu Kato
Recommended
2014/7/9 Python札幌・ミニ勉強会 の資料です。 Remark.jsを使ってます。ソースコードはこちら: https://github.com/hamukazu/sapporo20140709
Sapporo20140709
Sapporo20140709
Kimikazu Kato
Jubatusにおける大規模分散オンライン機械学習
Jubatusにおける大規模分散オンライン機械学習
Preferred Networks
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks
Yuya Unno
研究室内で行なった、データ分析の勉強会にて使用したスライドです。
研究室勉強会資料「データ分析チュートリアル」
研究室勉強会資料「データ分析チュートリアル」
ymmt3-lab
某研究室のM1が,B4向けに機械学習の講義を行った際のスライドです.
機械学習
機械学習
Hikaru Takemura
機械学習始める人への概要と参考サイトをまとめたスライド
機械学習入門とGPUと学習参考サイト
機械学習入門とGPUと学習参考サイト
Yusuke Yoshie
ディープラーニング(深層学習)のソフトウェア「TensorFlow」の紹介と従来の機械学習との違いを解説
TensorFlowとは? ディープラーニング (深層学習) とは?
TensorFlowとは? ディープラーニング (深層学習) とは?
KSK Analytics Inc.
2017/7/1 db analytics showcase Sapporoで講演したときの資料です。 フルスクラッチから機械学習アルゴリズムの実装をしたい人向けです。
機械学習ゴリゴリ派のための数学とPython
機械学習ゴリゴリ派のための数学とPython
Kimikazu Kato
JapanR 2016でのLT資料です
Randomforestで高次元の変数重要度を見る #japanr LT
Randomforestで高次元の変数重要度を見る #japanr LT
Akifumi Eguchi
この資料では、Pythonのデータ分析ライブラリーである「pandas」を使う練習を目的として、データ分析の初歩的な内容を解説しています。 2015/11/25 ver1.0 公開 2015/12/11 ver1.1 仮説検定の説明を分かりやすく修正 2016/11/15 ver2.0 改訂版公開、scikit-learnの利用例を追加 2017/06/11 ver2.1 仮説検定パートを削除、sklearnの利用例をアップデート
Python 機械学習プログラミング データ分析演習編
Python 機械学習プログラミング データ分析演習編
Etsuji Nakai
SACSIS2013でのチュートリアル講演資料です。機械学習の導入:背景、手法、理論、応用)、実践:オンライン学習+線形分類で実際作ってみる、使う際の課題、発展:分散+リアルタイムでの機械学習(Jubatus)、深層学習(Deep Neural Net)についてまとめました
機械学習の理論と実践
機械学習の理論と実践
Preferred Networks
深層学習による自然言語処理 4.2-4.3 誤って古いファイルをあげてしまっていたため、参考文献の下3つに情報が漏れてるのと、そのあとに余分なスライドが載っちゃっています 🙇♂️
Deep nlp 4.2-4.3_0309
Deep nlp 4.2-4.3_0309
cfiken
CV/NLP交流会第2回の第3.4章-第4.1章の発表資料です。
Nlpaper.challenge2 nlp2
Nlpaper.challenge2 nlp2
Hidehisa Arai
20150825 #ssmjp での発表資料です。公開向けではなかったのでわかりにくいかもですが。。。
人工知能の概論の概論とセキュリティへの応用(的な~(改)
人工知能の概論の概論とセキュリティへの応用(的な~(改)
Typhon 666
May17 2019 Smart trade learingu-algo
Presen 190517
Presen 190517
masukomasuko
Temp
Cv20160205
Cv20160205
Takanori Ogata
smart trade
Smarttrade524
Smarttrade524
taishinmurase
勉強会で話した、Scikit-learnの入門資料です。speakerdecでも共有しましたが、slideshare一本化のためこちらにも上げます
Scikit learnで学ぶ機械学習入門
Scikit learnで学ぶ機械学習入門
Takami Sato
SOINN PBR
SOINN PBR
SOINN Inc.
Generative AI Study group GASG 9th session エンライトオン 弁理士 西尾様資料
LLM+LangChainで特許調査・分析に取り組んでみた
LLM+LangChainで特許調査・分析に取り組んでみた
KunihiroSugiyama1
PredictionIOでどのようにPythonに対応していくかを検討しています。
PredictionIOのPython対応計画
PredictionIOのPython対応計画
Shinsuke Sugaya
Tech-Circle 機械学習を利用したアプリケーション開発をはじめよう(ハンズオン)の解説資料
Machine Learning Bootstrap
Machine Learning Bootstrap
Takahiro Kubo
2019年6月20日に開催されるイベント「JAWS-UG 名古屋 AWS Summit Tokyo 2019 振り返り」で使う発表資料です。機械学習系のアップデートを中心に紹介します。
JAWSUG 20190620
JAWSUG 20190620
陽平 山口
This slide is used in study class in Web application circle in Waseda University. And This slide is based on "Introduction to Machine Learning with Python"
Un supervised learning
Un supervised learning
yuki uchida
(Japanese) This is some tips on how to organize artificial intelligence or machine learning projects. This is presented in the engineering community event, NTT Engineer Festa#3, in Japan.
How to organize data science project (データサイエンスプロジェクトの始め方101)
How to organize data science project (データサイエンスプロジェクトの始め方101)
Yasuyuki Kataoka
【第40回AIセミナー】 「説明できるAI 〜AIはブラックボックスなのか?〜」 https://www.airc.aist.go.jp/seminar_detail/seminar_040.html 【講演タイトル】 機械学習モデルの判断根拠の説明 【講演概要】 本講演では、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。本講演ではこれら近年の代表的な説明法について紹介する。
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Satoshi Hara
第90回 Start Python Clubでの発表資料 「Python機械学習プログラミング」と振り返る機械学習の動向と展望
20230216_Python機械学習プログラミング.pdf
20230216_Python機械学習プログラミング.pdf
Shintaro Fukushima
TensorFlow で毎朝体操を賢くした話です。少し前に GCPUG Sapporo vol.2 ML Night で話したことと同じです。少し分かりやすく誤解が少なくなっています。 TensorFlow で学習したモデルをモバイルなどで動かす場合に参考になると思います。
TensorFlow User Group #1
TensorFlow User Group #1
陽平 山口
PyData.Tokyo Meetup #18での講演資料です。 https://pydatatokyo.connpass.com/event/
レコメンドエンジン作成コンテストの勝ち方
レコメンドエンジン作成コンテストの勝ち方
Shun Nukui
RISC-V Day Tokyo 2020 Virtual Boothsスライド http://riscv-association.jp/riscv-day-tokyo-2020/
Chipyardによるベイズニューラルネットワーク向け学習アクセラレータ開発 @ RISC-V Day Tokyo 2020 Virtual Booths
Chipyardによるベイズニューラルネットワーク向け学習アクセラレータ開発 @ RISC-V Day Tokyo 2020 Virtual Booths
Keigo Nishida
More Related Content
What's hot
JapanR 2016でのLT資料です
Randomforestで高次元の変数重要度を見る #japanr LT
Randomforestで高次元の変数重要度を見る #japanr LT
Akifumi Eguchi
この資料では、Pythonのデータ分析ライブラリーである「pandas」を使う練習を目的として、データ分析の初歩的な内容を解説しています。 2015/11/25 ver1.0 公開 2015/12/11 ver1.1 仮説検定の説明を分かりやすく修正 2016/11/15 ver2.0 改訂版公開、scikit-learnの利用例を追加 2017/06/11 ver2.1 仮説検定パートを削除、sklearnの利用例をアップデート
Python 機械学習プログラミング データ分析演習編
Python 機械学習プログラミング データ分析演習編
Etsuji Nakai
SACSIS2013でのチュートリアル講演資料です。機械学習の導入:背景、手法、理論、応用)、実践:オンライン学習+線形分類で実際作ってみる、使う際の課題、発展:分散+リアルタイムでの機械学習(Jubatus)、深層学習(Deep Neural Net)についてまとめました
機械学習の理論と実践
機械学習の理論と実践
Preferred Networks
深層学習による自然言語処理 4.2-4.3 誤って古いファイルをあげてしまっていたため、参考文献の下3つに情報が漏れてるのと、そのあとに余分なスライドが載っちゃっています 🙇♂️
Deep nlp 4.2-4.3_0309
Deep nlp 4.2-4.3_0309
cfiken
CV/NLP交流会第2回の第3.4章-第4.1章の発表資料です。
Nlpaper.challenge2 nlp2
Nlpaper.challenge2 nlp2
Hidehisa Arai
20150825 #ssmjp での発表資料です。公開向けではなかったのでわかりにくいかもですが。。。
人工知能の概論の概論とセキュリティへの応用(的な~(改)
人工知能の概論の概論とセキュリティへの応用(的な~(改)
Typhon 666
May17 2019 Smart trade learingu-algo
Presen 190517
Presen 190517
masukomasuko
Temp
Cv20160205
Cv20160205
Takanori Ogata
What's hot
(8)
Randomforestで高次元の変数重要度を見る #japanr LT
Randomforestで高次元の変数重要度を見る #japanr LT
Python 機械学習プログラミング データ分析演習編
Python 機械学習プログラミング データ分析演習編
機械学習の理論と実践
機械学習の理論と実践
Deep nlp 4.2-4.3_0309
Deep nlp 4.2-4.3_0309
Nlpaper.challenge2 nlp2
Nlpaper.challenge2 nlp2
人工知能の概論の概論とセキュリティへの応用(的な~(改)
人工知能の概論の概論とセキュリティへの応用(的な~(改)
Presen 190517
Presen 190517
Cv20160205
Cv20160205
Similar to smarttrade勉強会
smart trade
Smarttrade524
Smarttrade524
taishinmurase
勉強会で話した、Scikit-learnの入門資料です。speakerdecでも共有しましたが、slideshare一本化のためこちらにも上げます
Scikit learnで学ぶ機械学習入門
Scikit learnで学ぶ機械学習入門
Takami Sato
SOINN PBR
SOINN PBR
SOINN Inc.
Generative AI Study group GASG 9th session エンライトオン 弁理士 西尾様資料
LLM+LangChainで特許調査・分析に取り組んでみた
LLM+LangChainで特許調査・分析に取り組んでみた
KunihiroSugiyama1
PredictionIOでどのようにPythonに対応していくかを検討しています。
PredictionIOのPython対応計画
PredictionIOのPython対応計画
Shinsuke Sugaya
Tech-Circle 機械学習を利用したアプリケーション開発をはじめよう(ハンズオン)の解説資料
Machine Learning Bootstrap
Machine Learning Bootstrap
Takahiro Kubo
2019年6月20日に開催されるイベント「JAWS-UG 名古屋 AWS Summit Tokyo 2019 振り返り」で使う発表資料です。機械学習系のアップデートを中心に紹介します。
JAWSUG 20190620
JAWSUG 20190620
陽平 山口
This slide is used in study class in Web application circle in Waseda University. And This slide is based on "Introduction to Machine Learning with Python"
Un supervised learning
Un supervised learning
yuki uchida
(Japanese) This is some tips on how to organize artificial intelligence or machine learning projects. This is presented in the engineering community event, NTT Engineer Festa#3, in Japan.
How to organize data science project (データサイエンスプロジェクトの始め方101)
How to organize data science project (データサイエンスプロジェクトの始め方101)
Yasuyuki Kataoka
【第40回AIセミナー】 「説明できるAI 〜AIはブラックボックスなのか?〜」 https://www.airc.aist.go.jp/seminar_detail/seminar_040.html 【講演タイトル】 機械学習モデルの判断根拠の説明 【講演概要】 本講演では、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。本講演ではこれら近年の代表的な説明法について紹介する。
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Satoshi Hara
第90回 Start Python Clubでの発表資料 「Python機械学習プログラミング」と振り返る機械学習の動向と展望
20230216_Python機械学習プログラミング.pdf
20230216_Python機械学習プログラミング.pdf
Shintaro Fukushima
TensorFlow で毎朝体操を賢くした話です。少し前に GCPUG Sapporo vol.2 ML Night で話したことと同じです。少し分かりやすく誤解が少なくなっています。 TensorFlow で学習したモデルをモバイルなどで動かす場合に参考になると思います。
TensorFlow User Group #1
TensorFlow User Group #1
陽平 山口
PyData.Tokyo Meetup #18での講演資料です。 https://pydatatokyo.connpass.com/event/
レコメンドエンジン作成コンテストの勝ち方
レコメンドエンジン作成コンテストの勝ち方
Shun Nukui
RISC-V Day Tokyo 2020 Virtual Boothsスライド http://riscv-association.jp/riscv-day-tokyo-2020/
Chipyardによるベイズニューラルネットワーク向け学習アクセラレータ開発 @ RISC-V Day Tokyo 2020 Virtual Booths
Chipyardによるベイズニューラルネットワーク向け学習アクセラレータ開発 @ RISC-V Day Tokyo 2020 Virtual Booths
Keigo Nishida
2017-07-17 サポーターズ@京都で使ったスライド
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1
Shunsuke Nakamura
Machine Learning Casual Talks #3
Mlct 20150430v2
Mlct 20150430v2
Masakazu Sano
社内勉強会で『Python 機械学習プログラミング』の第 3 章の発表を担当した際の資料です。教科書で触れられている各アルゴリズムについて、アルゴリズムの概要と Iris データセットへの適用結果を説明しています。 発表資料に対応して、Jupyter Notebook で実行した ipynb ファイルを Gist にアップロードしています。 https://gist.github.com/y-uti/bd0928ad4f4eff7794a00108f6cbe7cc [2017-05-08] スライド 37 ページの内容はカーネル SVM の理解について大きな誤りがあったため取り消します。
分類問題 - 機械学習ライブラリ scikit-learn の活用
分類問題 - 機械学習ライブラリ scikit-learn の活用
y-uti
SensorBeeとfluentdを使ってElasticsearchに機械学習適用後のツイートを流し込んで検索や可視化を助ける話
Elasticsearchと機械学習を実際に連携させる
Elasticsearchと機械学習を実際に連携させる
nobu_k
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
Pythonを用いて Youtube の動画リストを作るアプリを開発しながら、Python とプログラミングの基礎について学びました。 Morning Project Samurai 第20回ミーティングで使用しました。
(Pythonで作って学ぶ) Youtube の動画リストを作るアプリの開発 第4回
(Pythonで作って学ぶ) Youtube の動画リストを作るアプリの開発 第4回
Project Samurai
Similar to smarttrade勉強会
(20)
Smarttrade524
Smarttrade524
Scikit learnで学ぶ機械学習入門
Scikit learnで学ぶ機械学習入門
SOINN PBR
SOINN PBR
LLM+LangChainで特許調査・分析に取り組んでみた
LLM+LangChainで特許調査・分析に取り組んでみた
PredictionIOのPython対応計画
PredictionIOのPython対応計画
Machine Learning Bootstrap
Machine Learning Bootstrap
JAWSUG 20190620
JAWSUG 20190620
Un supervised learning
Un supervised learning
How to organize data science project (データサイエンスプロジェクトの始め方101)
How to organize data science project (データサイエンスプロジェクトの始め方101)
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
20230216_Python機械学習プログラミング.pdf
20230216_Python機械学習プログラミング.pdf
TensorFlow User Group #1
TensorFlow User Group #1
レコメンドエンジン作成コンテストの勝ち方
レコメンドエンジン作成コンテストの勝ち方
Chipyardによるベイズニューラルネットワーク向け学習アクセラレータ開発 @ RISC-V Day Tokyo 2020 Virtual Booths
Chipyardによるベイズニューラルネットワーク向け学習アクセラレータ開発 @ RISC-V Day Tokyo 2020 Virtual Booths
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1
Mlct 20150430v2
Mlct 20150430v2
分類問題 - 機械学習ライブラリ scikit-learn の活用
分類問題 - 機械学習ライブラリ scikit-learn の活用
Elasticsearchと機械学習を実際に連携させる
Elasticsearchと機械学習を実際に連携させる
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~
(Pythonで作って学ぶ) Youtube の動画リストを作るアプリの開発 第4回
(Pythonで作って学ぶ) Youtube の動画リストを作るアプリの開発 第4回
Recently uploaded
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。
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.
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.
NewSQLの可用性構成パターン (OCHaCafe Season 8 #4 発表資料) 2024年5月8日(水) NTTデータグループ 技術開発本部 小林 隆浩
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NTT DATA Technology & Innovation
2024年4月に社内向けに開催した勉強会資料の社外公開版です
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
Hiroshi Tomioka
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.
Recently uploaded
(7)
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。
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。
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。
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
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
smarttrade勉強会
1.
Smart Trade 勉強会 〜機械学習を用いた株価予測〜
2.
本日のテーマ P-02 × 機械学習 QuantX 機械学習を用いた株価予測アルゴリズム
3.
本日のながれ P-03 1. QuantXの紹介 2. 機械学習とは 3.
機械学習で株価予測 4. アルゴリズム作り実践
4.
QuantXとは P-04 https://quantx.io/ https://factory.quantx.io/
5.
機械学習とは P-05 ◆ 明示的にプログラムしなくても学習する能力を コンピュータに与える研究分野 データ 学習
予測 有用なパターンや判断基準を抽出 未知のデータに対して 学習したモデルで予測 例) 「これは猫だ!」 「10日後に株価は 今より上がる!」
6.
機械学習の種類 P-06 回帰 分類
7.
機械学習の種類 P-06 回帰 分類
8.
教師あり学習とは? P-07 ネコ イヌ 学習データ モデル + 学習済みモデル 学習済みモデル未知データ ネコ! 予測 1.
学習データで学習済みモデルを生成 2. 学習済みのモデルを使って未知データを予測
9.
教師あり学習をもう少し具体的に… ◆身長と体重から性別を予測 身長 体重 性別 171cm
62kg 男性 145cm 38kg 女性 158cm 45kg 女性 161cm 55kg 男性 ~省略~ 150cm 45kg ??? 172cm 65kg ??? 学習データ ラベル 未知データ P-08
10.
教師あり学習をもう少し具体的に… 身長 体 重 学習データのプロット図 :男性 :女性 身長 体 重 学習データから 規則性を見つける 1. 学習データで学習済みモデルを生成 学習 P-09
11.
教師あり学習をもう少し具体的に… :??? (身長,体重) 2. 学習済みのモデルを使って未知データを予測 身長 体 重 未知データに対して規則をもとに予測 男性と判断 女性と判断 P-10
12.
教師あり学習で株価予測をするには? P-11
13.
今回の方針 手順1. 問題設定 (何をラベルにするか?) 例)
10日後の価格が上がっているか? 手順2. データの加工(何を使って予測するか?) 例) テクニカル指標など 手順3. モデルを使って学習 手順4. テストデータで予測 P-12
14.
手順1. 問題設定 P-12P-13 ◆ ラベル(正解データ)を何にするのか? ⇒今回は10日後の終値が今より上がっているかどうか。 2017/01/01
10,000 2017/01/02 10,300 ・・・ ・・・ 日付 終値 正解データ 2017/01/11 11,000 2017/01/12 10,200 True False ・・・ (False) (False) 銘柄A
15.
手順2. データの加工 ◆ 正解データを何で予測するか? ⇒今回はテクニカル指標で予測! 2017/01/01
10,000 2017/01/02 10,300 ・・・ ・・・ 日付 終値 2017/01/11 11,000 2017/01/12 10,200 RSI 移動平均線の差 ・・・ ・・・ 35 220 38 120 42 150 40 80 正解データ True False ・・・ False False ・・・ ・・・ ・・・ ・・・ ・・・ P-14
16.
テクニカル指標の説明 ⚫ テクニカル指標… 過去のチャートから次の値動きの目安になる情報を抽出したもの RSIの具体例 P-15
17.
手順3. モデルを使って学習 ◆ 学習データとテストデータに分割し学習 ⇒前半7割を学習データ,後半3割をテストデータ 2017/01/01
10,000 2017/01/02 10,300 日付 終値 2017/12/31 9,200 RSI 移動平均線の差 35 220 38 200 73 160 正解データ True False True ・・・ 2017/09/13 9,200 73 160 True 学 習 デ ー タ テ ス ト デ ー タ 2017/09/14 9,500 76 166 False ・・・ ・・・ ・・・ ・・・ ・・・・・・ ・・・ ・・・ ・・・ P-16
18.
手順4. テストデータを使って予測 ◆ 学習したモデルに対してテストデータを予測 学習データ 学習済みモデル
テストデータ 機械学習 モデル ++ 予測 (True or False) P-17
19.
手順4. テストデータを使って予測 P-18 ◆ 予測結果はQuantX上で簡単に可視化可能 2017/12/31
9,200 73 160 True ・・・ 2017/09/14 9,500 76 166 False 日付 終値 RSI 移動平均線の差 (正解データ)予測 True True Trueの時に買い!Falseで売り! ・・・ ・・・ ・・・ ・・・ ・・・
20.
今回の方針(のおさらい) 手順1. 問題設定 (何をラベルにするか?) 例)
10日後の価格が上がっているか? 手順2. データの加工(何を使って予測するか?) 例) テクニカル指標など 手順3. モデルを使って学習 手順4. テストデータで予測 P-19
21.
今回の方針(のおさらい) 手順1. 問題設定 (何を教師データにするか?) 例)
10日後の価格が上がっているか? 手順2. データの加工(何を使って予測するか?) 例) テクニカル指標など 手順3. モデルを使って学習 手順4. テストデータで予測 P-19
22.
最後に… 手順1. 問題設定 (何をラベルにするか?) ⇒
10日以内に先に±2%行ったら、±1でそれ以外は0 ⇒ ルールベースで予め絞り込む 手順2. データの整形(何を使って予測するか?) ⇒ ここを頑張る! 手順3. モデルを使って学習 ⇒ 時系列データを扱えるアルゴリズム(LSTMとか) ➢ 個人的に思う改善できそうなこと P-21
23.
Let’s try!!! P-22
24.
やってみよう 1. QuantXに登録 https://factory.quantx.io/ 2. サンプルコードの実行 https://factory.quantx.io/developer/267d17b14e4f44dca64bce50fce62feb -
バックテスト - コードいじったり 3. サンプルコードの解説記事 https://qiita.com/sarubobo29/items/e8219c2c30d500de2bf9 P-21
Download now