- 1. 機械学習で株価分析 14.解析結果の分析
- 2. requestsモジュールを使用してSheet DBのAPIをCSVファイルに出力する
- 3. 体育館の空き状況を監視した話
- 4. pygameとNintendoSwitchコントローラーでエージェントを動かすメモ
- 5. 機械学習で株価分析 13.機械学習の試行
- 6. discordbotをpythonで作ってみた
- 7. 機械学習で株価分析 12.機械学習のためのデータ整形
- 8. 「OBSのビルトイン仮想カメラがOpenCVで使えない」問題は解消している
- 9. 【selenium】headless備忘録
- 10. 【気象データで時系列解析⑤】MAモデル・ARMAモデル
- 11. pyinstallerでpythonスクリプトをexeファイル化
- 12. 【seleniumクラスシリーズ】Alertクラス
- 13. 【seleniumクラスシリーズ】Actionクラス
- 14. Pythonで成績分析
- 15. ChatGPT APIでConfluenceの内容を利用してみる
- 16. 画像から深度を推定できるZoeDepth【いろんなシーンに対応可能】
- 17. Pythonで気象警報・注意報を取得する【気象庁防災情報XML】
- 18. maya renderSetupでコレクションの中身にnamespaceを足す2
- 19. Pythonによる音声感情認識
- 20. LIMEを実装しながら理解してみる
機械学習で株価分析 14.解析結果の分析
# はじめに
本記事では、**実際に機械学習を試行する方法**を紹介します。なお、本記事は過去の記事 [13.機械学習の試行](https://qiita.com/ryo2_9393/items/cdaabd70803fa535b30e) の続きですので、未読の方はまずこちらをご参照ください。本記事では、機械学習による予測から、以下の2つの値を算出しています。
* 予測を実行した全日数に対する株価高騰フラグが立った日数の割合
* 予測の適合率（予測が行われた日数に対する予測が的中した日数の割合）# 概要
機械学習の予測結果に対し、以下のプログラムを実行することで、結果を分析できます。予測の期待値が1以上の場合、トレード日数がなるべく多くなるようロジックを組む必要があります。また、そもそもの予測の適合率を上げることも重要です。そのため、今回は上述の2点を分析内容として選出しています。“`python
# 予測結果の二値化関数
def func_binary(x):
if x > 0.5:
return 1
else:
return 0#
requestsモジュールを使用してSheet DBのAPIをCSVファイルに出力する
Sheet DBで作成したAPIをpandasではなくrequestsを使用してCSVファイルに出力するPythonコードを書いていきます。
# APIの作成
まず、Sheet DBで以下のようなAPIを作成します。
今回はこれを利用したプログラムがメインなので、APIの作成方法は省略します。# モジュールのインストール
今回はrequestsモジュールを使用するため、モジュールをターミナルでインストールします。
“`
pip install requests
“`# 作成したPythonコード
APIをCSVファイルに出力するコードを書きます。
### 記述例
“`python
import requests
import csv
import json# APIのURL
url = “https://shee
体育館の空き状況を監視した話
# 体育館の空き状況って？
普段何かしらの社会人サークルに入っている人なら分かると思いますが、そうではない人にとってはなんのことかさっぱり分からないと思います。体育館はその体育館がある市に住んでいれば誰でも利用申請ができ、任意の日時の枠が空いていれば予約して利用することができます。申請のためには利用登録をする必要があり、各都道府県によってその方法は異なります。公共の体育館は誰でも利用することができるようになっているのです。
つまり、空き状況とは予約可能枠のことを指しています。
# どこで確認できるの？
全ての都道府県の事情を知らないので明言はできませんが、一般的には各公共の体育館の予約を束ねる専用のHPが存在し、利用者はHP経由で体育館を予約することができます。例） 福岡市 [HPリンク](https://www3.11489.jp/
pygameとNintendoSwitchコントローラーでエージェントを動かすメモ
# 背景
コントローラーからの入力をもとにエージェントを動かすコードを作りたいと思い、Nintendo Switchコントローラーを使って、エージェントを動かすプログラムを作成してみました。## 環境
– Ubuntu22.04
– python3.7.9# 準備
## コントローラー
今回は以下のコントローラーを使いました。joy-conでも接続は可能ですが、左右両方を接続する場合、bluetooghのマルチペアリングが必要になるため一体型を使用することにしました。## jstest-gtk のインストール
コントローラーとの接続確認のため jstest-gtkをインストールします。
“`
sudo apt install jstest-gtk
“`
コントローラーのホームボタンを数秒間押し続けたあと、青いランプが点滅するのを確認します。その後、PCの設定>Blu
機械学習で株価分析 13.機械学習の試行
# はじめに
本記事では、**実際に機械学習を試行する方法**を紹介します。なお、本記事は過去の記事 [12.機械学習のためのデータ整形](https://qiita.com/ryo2_9393/items/704ebe3662a3944c4d27) の続きですので、未読の方はまずこちらをご参照ください。ここで、機械学習手法にはLightGBMを選定しています。興味のある方はその他の機械学習手法を調査・実装・比較検討してみてください。# 概要
作成したトレーニングデータとテストデータに対し、以下のプログラムを実行することで、機械学習が実行できます。今回予測したいのは株価高騰フラグのTrue/Falseのため、パラメータに`binary`を指定しています。その他パラメータの設定に関しては、ぜひご自身で調査してみてください。“`python
# 機械学習（LightGBM）のパラメータ設定
params = {
‘objective’ : ‘binary’,
‘metric’ : ‘auc’ ,
discordbotをpythonで作ってみた
どうもこんにちは、いろぱずというものです。今回は、discordに搭載されているbotをつかって色々~~遊んで~~開発してまいりましたので、その行ったことを記事にまとめようと思います。
### 開発環境
“`diff
+VScode
+python
+py-cord
“`
~~VScodeとpythonの開発環境はは実装済みと勝手に決めつけて~~
まずは、py-cordの開発環境です。VScode内のターミナルで以下のように入力します。
“`diff
pip install py-cord
“`
ここは人によって違うと思いますが、私はこの方法で行けました。
その次に、適当な.pyファイルを作成します。(私はdiscordbot.pyで作りました。)
ここまで終わったら、次にbotを作成しますが、こちらのサイトが分かりやすかったのでご参照ください。https://discordpy.readthedocs.io/ja/latest/discord.html
こちらで設定等おわりましたら、いよいよ書き込んでいきます！
### 作った.pyに書き込む
#### まずは起動確
機械学習で株価分析 12.機械学習のためのデータ整形
# はじめに
本記事では、**作成した説明変数と目的変数を機械学習のために整形する方法**を紹介します。なお、本記事は過去の記事 [11.目的変数の作成](https://qiita.com/ryo2_9393/items/704ebe3662a3944c4d27) の続きですので、未読の方はまずこちらをご参照ください。# 概要
作成した説明変数と目的変数を含むデータフレームに対し、以下のプログラムを実行することで、機械学習が可能な形にデータを整形できます。プログラムは以下の手順で実行されます。
1. トレーニングデータとテストデータへの分割
1. 説明変数と目的変数への分割
1. 説明変数の標準化
1. 説明変数をnumpyに変換“`python
# トレーニングデータとテストデータに分割
df_train, df_test = train_test_split(df_merge, test_size=0.2, shuffle=False)# 説明変数と目的変数に分割
X_train = df_train.drop([“flg_rise”], axis=1)
X_
「OBSのビルトイン仮想カメラがOpenCVで使えない」問題は解消している
以前、OBSに組み込まれている仮想カメラ機能は`opencv-python`を含むOpenCVで使用できませんでした。代わりに[OBS-VirtualCam](https://github.com/Avasam/obs-virtual-cam)を紹介する方法が各所で紹介されています。なおプラグインはOBS Studio 28.0+に対応するために[Fenrirthviti/obs-virtual-cam](https://github.com/Fenrirthviti/obs-virtual-cam)から以下にフォークされています。
https://github.com/Avasam/obs-virtual-cam
この問題はすでにOpenCV側で解消しているようです。次のコードでビルトイン仮想カメラが利用可能なことを確認できます。
https://github.com/opencv/opencv/pull/23460
`OBS Studio 30.0.2`
“`shell-session
> py -3.12
Python 3.12.0 (tags/v3.12.0:0fb
【selenium】headless備忘録
## はじめに
【selenium】headless備忘録に関しての備忘録です。
初心者です😅
間違えてる部分が多々あると思います。
もし見つけた場合、ツッコミいただけると助かります🙇
## 🦁**結論**🦁
headlessはブラウザのGUIを起動なしでで動作できる。
サーバー、WEBスクレイピング、テスト環境などに適している。:::note info
押さえておくべき点
* ブラウザのGUIを起動せずに動作、実行などができる。
* GUIがないため、処理が早くなる。
* サーバーなどの環境に使う。
* バックグラウンドでの動作が可能。
* スクリーンショットも可能（実際のGUIと異なる場合がある）
:::
***:::note warn
利用シーン
* サーバーなどでの自動操作したい
* WEBスクレイピングしたい
* テストをしたい
:::
***:::note alert
注意点
* –window-sizeで解像度を指定する必要がある。
* –window-sizeは適切にしないと要素の読み込みなどができないときが
【気象データで時系列解析⑤】MAモデル・ARMAモデル
# 概要
シリーズ「気象データで時系列解析」では、気象データを例に時系列解析の基礎を学びます。今回は、**移動平均（MA）モデル**について扱います。# MAモデル
$q$次の**移動平均モデル（Moving Average model）** の時刻$t$における出力は、それまでの時刻$t−1,\cdots,t−q$におけるホワイトノイズ$\epsilon_t$の重み付き和でモデリングされます。
“`math
x_t = c + \sum_{j=1}^{q} \theta_j\epsilon_{t-j} + \epsilon_t
“`※この重み係数$\epsilon_t$の和が1の場合、これはホワイトノイズの加重移動平均に定数を足した形となることから「移動平均」という名前が付いたそうです。
MAモデルのお気持ちとしては、過去時刻での回帰残差$\epsilon$を説明変数とする線形回帰モデル、です。
なお、$\epsilon$は**ショック**と呼ばれたりします。
## MAモデルの例
下図はMAモデルの例です。df = pd.DataFrame({‘出席回数’ : [15,15,14,10,12,8,10,15,15,13],
‘課題提出回数’: [15,15,14,5,10,8,10,15,14,15],
‘ノートを取った回数’: [0,15,14,10,12,0,0,0,0,13],
‘テスト点数’: [45,98,85,68,75,3,5,25,32,71]})
df.index = df.index+1
df = df.reset_
ChatGPT APIでConfluenceの内容を利用してみる
これは、[GO Inc. Advent Calendar 2023](https://adventar.org/calendars/8633)の21日目の記事です。
皆さんの会社では、仕事にまつわるドキュメントは何で管理をしていますか？GO株式会社の『DRIVE CHART』の開発プロジェクトではConfluenceを活用しています。
Confluenceは便利ですが、さらに便利に活用するためにChatGPT APIにその内容を読み込ませて内容の要約をしてもらったり、必要な情報の入手に役立てることができると思います。この記事では、ConfluenceのAPIとChatGPT APIを併せて活用するための方法を紹介します。
# 1. Confluenceに関する各種情報の入手
### Confluenceのtoken
公式マニュアルの「API トークンの作成」を参考にConfluence APIを利用するために、API トークンを作成して入手してください。
https://support.atlassian.com/ja/atlassian-account/docs/manage
画像から深度を推定できるZoeDepth【いろんなシーンに対応可能】
屋内屋外、様々なシーンの画像からメートル単位で深度を推定できます。
の19日目の記事です。
昨日は、[のたさんの記事](https://qiita.com/oruponu/items/817d949f944e090b45cb)でした。# はじめに
こんにちは、りーちゃんです。
Twitterでは公言していませんが、ここ数か月地震観測はやっていません。(めんどくなってしまいました、、)
いまのところ実質的な引退といったところでしょうかね。最近は、ちょいちょいDiscord Bot(Python/discord.py)のプログラムを触っています。
さて、今回はPythonで気象警報・注意報を取得する方法について書いていこうと思います。
:::note warn
この記事では、Pythonをあまり触っていない方でも比較的理解しやすいように書いておりますが、誤った情報を書いてしまっている可能性はあります。
あらかじめご了承ください。間違いがありましたら、お知らせいただくと大変助かります。
:::
# 概要
こ
maya renderSetupでコレクションの中身にnamespaceを足す2
https://qiita.com/9boz/items/824b95f790f669763da4
つづき
collectionが全部とれたので、中身をゲットしてネームスペースを足してく
ちょっと手動で編集してこんな感じにしておく
※余談ですが、collectionのstaticSelectionの中身はstringなので 選択 -> 編集でいじれますが
※renderSetupのGUIへは即時反映されません。
※該当レイヤーを読み直すして（目玉マーク) GUI上でコレクションを選択しなおすと反映されます。フィルターの種類は色々あるのだけれども今回はとりあえずstaticSelectionだけ対応で。
* 喜び(happy)
* 怒り(angry)の3感情の音声を100発話ずつ収録したデータセットです。つまり、合計900発話が収録されています。
形式はWAVファイルであり、ファイル名は **「[声優名]\_[感情]\_[番号].wav」** のようになっています。
# 音響的な特徴の抽出
今回使用する音響的な特徴は13次元のMFCC(メル周波数ケプストラム係数)のみです。MFCCは簡単に説明すると音声で伝わる声道の特徴を人間の聴覚に合わせ
LIMEを実装しながら理解してみる
:::note info
この記事はCA Tech Lounge Advent Calendar 2023の21日目の記事です
:::## はじめに
近年、機械学習の社会実装が進み、様々なサービスへの導入がなされています。
しかしながら、機械学習モデルの予測過程はブラックボックスであることが多く、機械学習モデルが普及するに伴ってその透明性や説明可能性の重要性が叫ばれています。
そうした中で、XAIと呼ばれるブラックボックスな機械学習モデルから予測結果以外の追加情報を抽出することで、モデルの説明を可能とする技術が注目されています。
この記事では、XAIの代表的な手法の一つであるLIMEについて、実装しながら学習した内容をまとめています。LIMEの元論文と公式の実装については下を参照ください。
\
\
論文https://dl.acm.org/doi/abs/10.1145/2939672.2939778
公式の実装
https://github.com/marcotcr/lime
## LIMEとは？
LIMEとは、ブラックボックスなモデルを解釈が可能なモデル
