機械学習を用いた自動ドリフト制御の動画（英語）

機械学習を用いた自動ドリフト制御の動画（英語）を見つけました。
すごいですね。

全脳アーキテクチャ若手の会 第13回勉強会

面白い動画を見つけたので張っておきます。

株価はランダムに動いているか？

効率的市場仮説で言われているように、株価はランダムに動いていて、予測ができないか検証してみました。その結果、株価はランダムに動いています。長期的にはランダムウォークだと思っていたのですが、分足でもランダムウォークという結果になりました。超高速取引を行うAIは0.1秒後を予測しているようですが、このようなAIの出現により、分足ですらランダムウォークになってしまったのかもしれませんね。

[検証方法]株価の分足データからT分まえとの自己決定係数をj計算する。
[結果]価格変動に自己相関は見られません。つまり、１分前に株価が上がった場合でも、次の１分間に株価が上がる確率は五分五分です。

『カーネル多変量解析』が来た。

少し前に注文していた①『カーネル多変量解析』が日本から到着しました。
ちなみに、これまでは②『パターン認識と機械学習（通称　黄色い本）』で勉強していたのですが、難しい上にボリュームがありすぎてあまり理解できていないです。③『入門　機械学習による異常検知』という本に②でついていけない人は①のほうがいいと書いていたので買ってみましたが、理解できますかね？

気になるニュース

Googleが人工知能開発支援ソフトウェアTensorFlowをオープンソース化

Pythonで使えるらしいので時間があったら試してみたいです。
そういえばマイクロソフトのAZURってありましたよね。有料ですが、使いやすいのかな？

DEAP ( 遺伝的アルゴリズム@Python )

DEAP ( 遺伝的アルゴリズム@Python )のこちらにあったサンプルプログラムを動かしてみましたが簡単に使えそうです。

まだ勉強中ですが、このサンプルプログラムを理解するのに有益な情報が載っていたページのリンクを張っておきます。
遺伝的アルゴリズム - Wikipedia
様々な選択・交叉・突然変異
Pythonの進化計算ライブラリDeap
Goodbye, World! PythonのDEAPが面白そう
DEAP documentation

Pythonライブラリーのインストール方法(pipでうまくインストールできない時の対処方法）

Pythonで遺伝的アルゴリズムを試してみたいと思い、Googleで調べたたところDeapというライブラリが存在することわかりました。そこでこちらに載っているインストールコマンド『pip install deap』をためしたところエラーがでてうまくいきませんでした。残念。。。

エラーの原因を探っていたのですが、そもそもwindows 上でpipがうまくいったことがない。そこで自体のアップデートコマンド『pip install --upgrade pip』を試したところSyntaxErrorが出るので、pip自体がうまく動いていないという結論に達しました。

これはあきらめるしかないかな？

その後、ネットをさまよっているうちに『pip install --upgrade setuptools』というコマンドを発見。ダメ元で試してみると、うまくpipがアップデートができました（『pip install --upgrade pip』を再び実行したところ、すでにアップデートが完了しているというメッセージが出ます）。

さらに、『pip install deap』を再び実行したところ、Deapのインストールが無事出来ました。

Pythonでパッケージのインストールに困っているかたはダメ元で、『pip install --upgrade setuptools』を試してみてはいかがでしょうか？

Python @ windows10

私のPC:Windows10で動いているPython 3.4.3をインストールしたときのメモです。

( 各モジュールはPipやeasy_installを用いず、以下のインストーラーをダウンロードしてインストールしました。)

Python 3.4.3 : python-3.4.3.msi ( pathの設定が必要なので注意する事）

Numpy 1.9.2 : numpy-1.9.2-win32-superpack-python3.4.exe

scipy 0.16.0 : scipy-0.16.0-win32-superpack-python3.4.exe

matplotlib 1.4.3 : matplotlib-1.4.3.win32-py3.4.exe

scikit-learn  0.16.1 : scikit-learn-0.16.1.win32-py3.4.exe

Python Scripter (Version 2.6.0.0 x86) : PyScripter-v2.6.0-Setup.exe

[メモ]カーネル主成分分析

カーネル主成分分析を非線形な分析ができるように拡張したものらしい。

カーネル化の効果はここにある通常の主成分分析とカーネル主成分分析を比較するとわかりやすいです。またPythonでのサンプルコードはこちら。

非線形な関係の特徴がうまく拾えるのは魅力的ですが、基底の選択とスーパーパラメータ設定に経験と勘が必要みたいです。

Pythonで主成分分析

Pythonで主成分分析する方法を調べたところこちらにわかりやすく記載されていました。
ただ、グラフを色分けしてグラフを書くところが載ってなかったので、そのままグラフまで見れるソースを以下に記載しておきます。

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import numpy as np
import matplotlib
import matplotlib.pyplot as plt

from sklearn import datasets
from sklearn.decomposition import PCA

#---------------データセットの読み込み------------------
iris = datasets.load_iris()
X = iris.data
Y = iris.target

#---------------主成分分析　実行------------------
pca = PCA(n_components=2)
pca.fit(X)
X_pca= pca.transform(X)

#----------------描画-----------------
#生データの描画　第１成分 vs 第２成分
for l in np.unique(Y):
    plt.plot(X[Y == l, 0], X[Y == l, 1],'o',color=plt.cm.jet(float(l) / np.max(Y + 1)))
plt.show()
#生データの描画　第１成分 vs 第２成分
for l in np.unique(Y):
    plt.plot(X[Y == l, 2], X[Y == l, 3],'o',color=plt.cm.jet(float(l) / np.max(Y + 1)))
plt.show()

#主成分分析後のデータ　第１主成分 vs 第２主成分
for l in np.unique(Y):
    plt.plot(X_pca[Y == l, 0], X_pca[Y == l, 1],'o',color=plt.cm.jet(float(l) / np.max(Y + 1)))
plt.show()

機械学習、学習中

本日も機械学習の基礎を学習しています。

少しずつ理解できることが増えているような、増えていないような。

とりあえず、毎日勉強することが大切ですね。諦めなければば何時か理解できる日が来るはずです。

機械学習、学習中

以前見つけた、機械学習の解説記事「機械学習 はじめよう」を飛ばしながら斜め読み。
あまり理解出来ていないけど、なにが書かれているか知りたくて、飛ばしながら最後まで読みました。

多項式の線形回帰は以前勉強したことがあったのでなんとなくですが理解できました。また、ベイズ線形回帰はまだ理解できていないですが、計算自体は多項式の線形回帰に近く、回帰式のたしからしさを求めることができるみたいです。

仕事でガウス過程の機械学習を用いたアプリケーションを使用したことがあり、内部で何をやっているのか知りたいなと思っていたのですが、まずはこの記事を完璧に理解することが足がかりになりそうです。

数学が苦手な私ですが、時間はたっぷりあるので、理解できるまで繰り返し勉強する作戦でいくかな。