すべてのカテゴリ

はじめまして。 まさと申します。よろしくおねがいします。まずは、簡単に自己紹介をします！！普段は、フリーランスエンジニアとして、大手企業様のシステムの開発支援をさせて頂いております。システムエンジニアとしては、10年以上経験しております。最近はpythonの案件に携わるようになり、pythonの将来性、可能性を感じながら業務を行っております。詳細な私のプロフィールについては、以下をご参照ください。↓https://coconala.com/users/515073このブログでは、pythonのツールを使用した業務効率化の事例を順次、紹介していこうと思います。pythonには様々なライブラリーというものが存在し、Web上の情報、Excelの操作、PDFに対する操作、画像の編集など様々なことができます。そのため、ライブラリーを駆使することによって皆様が行っている定常業務などを短時間でしかも高品質に実施することが可能になります。「めんどうくさい」「時間がかかる」ような手作業をなくすことによって、本質的な業務に注力し、売り上げ・利益を伸ばしていくことが可能となります。私も、ココナラを通して、少しでも多くの方の業務効率化のお手伝いをさせて頂ければと思い始めました。今後も定期的に、業務効率化の事例を投稿していこうと思います。少しでも気になる内容、ご質問があればお気軽メッセージ頂ければと思います。以上、最後まで読んでいただきありがとうございました！！

こんにちは。ゆうです！私は大学在学中にプログラミングを始め、今は大学の研究と並行して、ココナラでプログラミング関連のお仕事をしています。よく私の下にこんなメッセージが届きます。・人気なプログラミング言語は何？・どの言語を学ぶのがおすすめなの？結論、私は「python」がおすすめです。その理由は以下の3つが挙げられます。・初心者でも学びやすい・需要が高い・ライブラリが豊富まず、一つ目の「初心者でも学びやすい」点について。これはpythonを学ぶメリットとして、まず挙げられますね。pythonは学習コストが他の言語と比べて圧倒的に低いことが特徴です。例として、プログラミング言語の中でも有名なC言語とコードの比較をしてみましょう。● C言語#include <stdio.h>int main(void){    printf("Hello World!");    return 0;}●pythonprint("Hello World!")どうでしょう？ pythonが学びやすいと言われる理由が分かると思います。次に、二つ目の「需要が高い」点について。pythonというプログラミング言語は今話題のAIやデータ分析に特化した言語です。米国の電気工学技術の学会誌である「IEEE Spectrum」が2022年に発表したプログラミング言語ランキングによると、pythonが堂々の1位である事がわかります。日本でも海外に倣って需要が伸びてきていますが、今後もさらに需要が伸びていく事が予想されます。最後に、三つ目の「ライブラリが豊富」という点について。まず、ライブラリとは何？ と思っ

はじめに皆さんの生活にも深く関わってきたAI（人工知能）。その歴史は、実は長く、そして波乱に満ちています。今回は、AIの黎明期から最新の動向までを、様々な出来事を交えながら詳しく解説していきます。AIの夜明け：第1次AIブーム1950年代後半から1960年代にかけて、最初のAIブームが到来しました。この時代には、コンピュータによる「推論」や「探索」が可能となり、特定の問題に対して解を提示できるようになったことがブームの要因です。特に、冷戦下の米国では、自然言語処理による機械翻訳が盛んに研究されました。しかし、当時のコンピュータの性能やアルゴリズムの限界から、人間の知能を完全に再現することは難しく、1970年代には冬の時代を迎えます。AIの冬の時代と再燃1970年代から1980年代にかけては、AI研究の冬の時代が訪れます。期待された成果が出せず、研究資金が削減されたことが主な原因です。しかし、この期間にも、知識表現やエキスパートシステムなどの重要な研究が行われていました。1980年代後半になると、再びAIへの関心が高まり、第2次AIブームが到来します。エキスパートシステムと呼ばれる、専門家の知識をコンピュータに組み込み、診断や予測を行うシステムが注目を集めました。しかし、このブームも、実際の応用範囲が限定的であったことや、高価なシステムであったことから、再び冬の時代を迎えます。ディープラーニングの登場と第3次AIブーム2000年代に入ると、コンピュータの性能向上と、深層学習と呼ばれる新しい技術の登場により、AI研究は再び大きな進展を見せます。深層学習は、人間の脳神経回路を模倣した

こんばんわ、ザキヤマ工房です。 今日はカレーの日ということでカレーを食べました。 題目にある2次元から3次元をイメージ これって、機械製図にはとても重要です。 でもイメージするのは最初は誰もが苦戦をします。 前回で会った三角法の図（正面図、側面図、平面図）より 立体を理解するってどうすれば・・・？上の図を見てください。図の配置には法則性があります。 正面図の上側に平面図、右側に側面図があります。 正面図を基準にして、平面図と側面図を山折りするようにして ください。こうすれば立体のイメージがわかると思います。 私も立体がわかりにくい時はこのようなイメージをします。 ・２次元→３次元をイメージ ・３次元→２次元への展開 この２つができたら機械製図の初歩はマスターしたも同然です。 機械製図の初歩をオンラインでマスターしてみませんか。

実を言うと、Facebook広告の学習にちょっと懐疑的な私(笑) マイクロコンバージョン設定して学習を進めたほうがいい。 って言う人もいるけど 広告の目的考えたらねぇ…そこに学習合わせられても困るんですよ…マイクロコンバージョンで集めた顧客が本当の目的…例えば売上などでCVしないのは困るわけです。それなら、ターゲット探し続けていただいた方がマシってものです…

記事を開いていただきありがとうございます。フリーランスPythonエンジニアのベナオと申します。ココナラさんでは、PythonによるWebシステム開発や機械学習のプログラム作成をさせてもらっております。今回は、最近話題の画像生成AIについて紹介したいと思います。今までのAIはプログラムの経験のない方が個人で利用するのは難しいものが多かったのですが、これの良いところはなんと”文章で生成したい画像の指定”ができるというものです。2022年の夏から様々な企業からそれぞれの学習モデルが公開される流れが続いていて、今では既存のラフスケッチ画像を入力すると完成品のイラストが生成されたりと次々アップデートされています。1. 画像生成AI Midjourney登場2022年7月13日にオープンソース（システムが一般に公開されている）の画像生成AIであるMidjourneyのオープンベータ版が公開されました。画像のような美麗なイラストを文章による指示だけで誰でも自動生成できるということで、大変話題になりました。Midjoueneyは最初の数回のみ無料で生成機能が提供されていますが、その後Stable Diffusionという基本利用完全無料のオープンソースプロジェクトが公開されました。こちらはソースコードが完全に無償公開されたので、これをもとに様々な派生の生成モデルが開発・公開されていきました。これらのイラストは全て、私が文章による指示から機械学習モデルが自動生成したものです。仕組みとしては大量の風景や人物のイラストデータと、それらの文章による説明をタグ付けしたデータセットを用意します。そのデー

こんばんわ、ザキヤマ工房です。今日は寒い一日でした。今日もオンライン授業を行っていたのですが生徒さんから「機械製図を学んで１年くらい経ちましたが、　このオンライン授業を継続的に受講することで　以前のような図面拒否症がなくなりました。」このような言葉を頂く事は大変うれしいと思います。私自身も本当に教え方について毎日自問自答しており講義内で３Dモデルを使って行う、講義も自分が話す時間を少なくして受講者にノートをとってもらうなど色々しました。でも確実な正解はないと思います。日々の工夫でいいところや悪いところが見つかり、悪いところの改善といいところの向上を繰り返しています。まだまだ完ぺきではないですが、完ぺきに近づいていく機械製図のオンライン講義を受講してみませんか申し込みはこちらから

こんばんわ、ザキヤマ工房です。 今日は夜から雨降って寒くて、晩御飯はポタージュスープに しました。体が温まりました。 機械製図を学ぶ方で図面の描き方については未経験という 生徒さんが90％以上います。 機械製図の中で一番最初に学ぶのは第三角法です。 三角法とは品物を正面から見た図（正面図）、上側から見た図（平面図）、 右側から見た図（右側面図）で表す技法です。 この内容を説明した時、そういえば中学校の技術の授業で習ったこと があるという方が中にはいます。 私は中学校１年で１学期に習った記憶があります。 この時の記憶がある方は理解が早くできる傾向があるように思います。 子供の時に勉強でつまらなかったことが意外なところで 役に立つことってありませんか。 そんな機械製図をオンラインで学んでみませんか

こんにちは。山城です。今回から新しいシリーズ【機械学習を知ろう！】をスタートします！（前回までのシリーズ【データ分析をしよう！】は引き続き掲載させて頂きますので、そちらも引き続き楽しみにしててください！）第１回は「そもそも機械学習って何ぞや？」というテーマでいきたいと思います。あっ‥。今「機械学習ってAIのことじゃないの？」と思いましたね？正解ですが違います！（どっちやねん。）実は「AI」には決まった意味はなく、人それぞれ定義がバラバラなのです。例えば、ロールプレイングゲームの村人などは、業界では「ゲームAI」と言われ、AIと定義されています。（AIのイメージはありませんよね？）よって、「AI」とはざっくりと下図のようなイメージになります。つまり「機械学習」とは、AIという概念の一つのジャンルなのです！この機械学習が世間一般でのAIのイメージになっているのです。なので、もし「AI搭載」と書いてある商品があっても、必ずしも機械学習が使われているとは限らないので気をつけてくださいね！ちなみに機械学習には色々な種類があるのですが、それについては次回以降、順番に紹介していきたいと思います！次回は機械学習の一つ「クラスタリング」について書いていきたいと思いますのでお楽しみに！

タイトルにあるように、旅行会社の保有する顧客データ（属性や志向、営業担当との接触履歴等）を元に、旅行パッケージの成約率を予測するというものがあったので、参加してみました。こちらの課題は以前コンペにて掲げられたもの。早速学習データの中身を確認。とりあえず、年齢や性別、結婚状況や月収、住んでる地域等の顧客データを確認。まず大前提として機械学習モデルには男性、女性のような文字列はデータとして入力できないので、ラベルエンコーダーやOneHotEncoderのようなインスタンスで0、１のように”数値”に変換しないといけないです。例えば”年齢”において、５０歳や四十二などの文字列もそのままだとモデルが学習（特徴を掴むことやパターンを学習させること）ができないので、正規表現を用いて、すべて数値化します。とりあえず、学習データの特徴量である、年齢や性別、月収など明らかに成約率に影響しそうなものを正規表現で全て数値化しました。お次は欠損値の処理です。欠損値とは、人為的なミスでデータが空白だったり、何らかの理由でデータが抜け落ちていたりするので、この欠損値を正しく穴埋め（処理）してやらないといけない。（ただ、扱うモデルによっては欠損値に強いモデルもあります。）今回のデータでは欠損値の数がデータ全体に対して少なめだったので、そのまま、平均値で補完しました。※欠損値があまりに多い場合、その特徴量を削除したり、欠損値を埋めるための線形回帰モデルなど学習モデルの予測値で穴埋めすることもあります。欠損値処理に関しては学習データだけでなく、テストデータにも適用させます。ここで大事なのはテストデータの欠損値をテ

こんばんわ、ザキヤマ工房です。 新年になってからもうすぐ1月も終わりになりますね。 ものを作るときに作りながら考えていきますか、それとも 作る前に考えますか？これって人それぞれと思います。 料理のレシピやプラモデルの作り方については あらかじめ文章で必要なものが描いています。 しかし、図面には文章では書いていません。 何故って、図面に文章で説明するととてつもなく長くなり ます。説明する側もされる側も大変です。でもきちんとした ものを作る為にどうしているかというと図で示しているのです。 図で示すということは文章いらずで相手へ説明ができるのです。 それには１つ条件があり、依頼する側、される側が意思疎通が 出来ていることです。これが図面の見方です。 図面の見方についてオンライン授業で学んでみませんか 詳しくは下記をクリックしてください。

久しぶりの投稿なので簡単に自己紹介すると、最近は主にGPT-3 (生成AIのAPI)を使ったWebアプリケーション（Django）開発や、それを解説した技術ブログの寄稿を主にやらせていただいておりますべナオと申します。今回のブログでは、ココナラさんで実際に仕事をお受けした時の体験談を、そこまでの経緯も合わせて紹介したいと思います。想定する読者さんは、以下のような方です。 ・「Pythonエンジニアの働き方に興味がある」 ・「Pythonエンジニアの普段見れない裏側を知りたい」 ・「暇つぶしにべナオの記事でも読んでみるか」1. 外部サイトでPythonの記事を3年書き続けていたらネットで依頼が来るようにもともとは外部の某ブログサイトでPythonの技術ブログを趣味で書いていました。扱うテーマはチャットボットや機械学習やSNS分析などです。始めた当時（４年前）は今ほど日本のPythonエンジニアが多くなかったので、ネットで公開するだけでPVが伸びていたのを覚えています。それからも自作のプログラムを中心に、技術ブログを数ヶ月おきに書いてきました。ほとんどのnoteは無料で、自分の知識の整理やSNSを介しての他のエンジニアの方との交流を目的として地味に続けてきました。 知り合いのバーを借りて、エンジニア向けの交流会を開いてパスタを自分で作ってお客さんに出していたりもしました(料理は今でも好きです)。 そんなこともあってTwitterで少しは目立っていたのか、IT系の方にフォローされることが増えていきました。そこでこんなことを思いついたのです。 「これだったらネットで仕事を受ける窓口さ

中川です。。お久しぶりになってしまい、申し訳ないです。今回は本当に大変でした。。まず、データの取得が大変だったことと、あとたくさんのイレギュラーなレーサー情報に対応しなければならず、とてもてこずってしまいました。前回までのデータはこちらです。今回は、レーサー情報のコース別侵入率、三連対立、コース別平均スタートタイミング、コース別スタートタイムを取得し、それらのデータと前回取得した全国成績のデータを使って機械学習を行うことが今回の目標です。まず、欲しいそれらの情報ですが、ボートレースのURL/owpc/pc/data/racersearch/course?toban="レーサの番号"のURLにありました。この例ではレーサーの番号は”4200”です。例として、レーサー番号が4200番の早川尚人さんが出走番号2番でレースに出る場合は、上記四つの情報の2番だけが欲しいことになります。ですがその前に、そもそもレーサーの番号を取得してくる必要がありますね。レーサー番号を取得するためにはurl = ボートレースのURL/owpc/pc/data/racersearch/course?toban="レーサの番号"から、マーカーの部分の情報を抽出します。マーカー部は'div' 　タグの　 classは "is-fs11"で指定されていたので。res = requests.get(url)soup = BeautifulSoup(res.text , "html.parser") racers = soup.find_all('div' , class_ = "is-fs11") で取得することが

こんにちは。山城です。【機械学習を知ろう！】の第２回は、データを自動でグループ分けしてくれる「クラスタリング」という機械学習を紹介します！例として、ある施設の会員の施設利用履歴データを使って、会員の性質毎にグループ分けをしてみます。まずは利用履歴を会員毎に統計します。統計値が取れたので、このデータを使ってクラスタリング（グループ分け）をしてみます。では機械学習でグループ分けをしてみましょう！クラスタリングはAI君にお任せしましょう（よろしく〜）あっ、もうできたようですね。。。ではクラスタリングの結果を見てみます！綺麗にグループ分けできました！さらにクラスター毎に平均をとって傾向を見てみましょう！クラスター2を見てみると、１ヶ月の間に利用回数が多く、会員期間が短い傾向があります。つまり、月の利用回数が多いと長続きせず退会しやすいとうことがことが分かります。このように、クラスタリングは自動でグループ分けをして傾向を分析（クラスター分析）することができるのです！次回は機械学習の一つ「次元削減」について書いていきたいと思います。お楽しみに！

こんにちは。山城です。【データ分析をしよう！】の第5回は、自由評価を分析する方法をご紹介します。皆さんは、アンケートなどで、それぞれ自由に点数をつけてもらったデータがあった時どうしますか？この場合、人により物差しが違うため、過小または過大評価になるため扱いに困りますよね。そこで、この物差しを一定にして、再評価を行います。例として、あるカレーが美味しかったか、アンケートをとったものがあるとします。この場合、「おいしい」の物差しは人それぞれ違うため、甘く評価した人や厳しく評価した人がいる可能性があります。そのため必ずしも「普通」が星３になるとは限りません。そこで、「標準化」という処理をすることで、物差しを一定にて個人差を無くします。この標準化した値を「z値」といいます。さあ、やってみましょう！アンケートを標準化すると‥　　　名前 　　　 z値 　　　Aさん 　　-0.25 　　　Bさん　　 -0.625 　　　Cさん　　 0.5 　　　Dさん 　　 -0.625 　　　Eさん 　　0.125 　　　Fさん 　　0.875となりました。z値にすることで個人差を無くして正しく評価ができるようになりました！個人差が発生する可能性のある数値は、そのまま使用せず標準化を行うようにしましょう！次回からは、AIをテーマに色々紹介していきたいと思います！お楽しみに♪

かつては人間が膨大な時間をかけて行っていたデータ分析。しかし今、その領域に革命をもたらしているのが 「AIエージェント」 です。AIが人間の代わりに、または人間と連携しながらデータを理解・活用し、ビジネスの意思決定をサポートする時代が始まっています。1. AIエージェントとは？AIエージェントとは、自然言語や自動化機能を活用してタスクをこなす「インテリジェントな自律型ソフトウェア」です。✅ ChatGPTやCopilotのようなチャット型AI✅ 自動でデータ分析・可視化を行うBIエージェント✅ ユーザーの指示に応じて複雑な処理をこなす業務アシスタントこれらが、今やマーケティング、経営、顧客対応などに浸透しつつあります。2. AIエージェントが担うデータ分析の役割AIエージェントは単なるツールではありません。「人間の判断や直感」を補完し、より迅速で精度の高い分析を実現します。📌 活用シーンの一例：売上データから顧客の離脱要因を分析リアルタイムの需要予測と在庫最適化SNSデータの感情分析によるブランディング強化BIツールとの統合による意思決定支援以前は専門的なスキルが必要だった分析作業も、AIエージェントの導入で誰でも扱えるようになってきました。3. ビジネスに導入するメリットと課題✅ 導入メリット作業スピードの向上：レポート作成やグラフ生成を自動化意思決定の精度向上：感覚でなく「データ」で判断コスト削減：データ分析チームの負荷を軽減属人化防止：ナレッジをAIに蓄積・共有可能⚠️ 導入時の課題初期のセットアップやトレーニングに時間がかかる精度や信頼性を担保するための人間の監視が必要

 1. AIスキルを学ぶ重要性現代ビジネスでAIは不可欠であり、効率化やデータ主導の意思決定に大きく貢献しています。AIスキルを持つことで、キャリアアップや転職において有利な立場を得ることができます。 2. プログラミングスキルの重要性AI開発にはプログラミングが欠かせません。Pythonはその扱いやすさと豊富なライブラリで、初心者から高度なプロジェクトまで幅広く活用されています。AIを学ぶなら、まずPythonの習得が重要です。 3. 機械学習とディープラーニングの基礎知識機械学習はAIの核となる技術で、データからの学習により予測や分類を可能にします。特にディープラーニングは画像認識や自然言語処理など高度な分野で活用され、これらを理解することでAIの活用範囲が広がります。 4. データサイエンスとデータベース運用スキルAIを正しく機能させるには、データの効果的な扱いが重要です。データサイエンスではデータの収集・分析・活用が求められ、SQLなどのデータベース言語を使い、必要な情報を素早く引き出すスキルが必要です。 5. 数学的知識と論理的思考力統計学や線形代数といった数学的知識は、AIの理解に不可欠です。また、論理的思考力と問題解決能力を持つことで、AI技術を最大限に活用し、プロジェクトの質を向上させることができます。--- まとめAIスキルを学ぶことは、将来のキャリアに大きな影響を与えます。Pythonを中心としたプログラミングスキル、機械学習やディープラーニングの理解、データサイエンスやデータベース運用の知識、そして数学的基礎と論理的思考力が、AIプロジェクトを成功に導く鍵

Pythonはその使いやすさと、豊富なデータ分析関連のライブラリが存在するため、データ分析において広く使用されています。本記事ではPythonを使ったデータ分析の基本的な手順を、scikit-learnライブラリのデータセットを利用して解説します。０．必要なライブラリのインストール本記事では、ライブラリとしてpandas、numpy、matplotlib、seaborn、sklearnを使用します。インストールがまだお済でない場合、以下をコマンドプロンプトで実行してください。pip install pandas pip install numpy pip install matplotlibpip install seaborn pip install sklearn １．必要なライブラリのインポートデータ分析には様々なライブラリが使われますが、ここでは主にpandasとnumpy、そして可視化にはmatplotlibとseabornを使います。また、データセットを読み込むためのsklearn.datasetsもインポートします。import pandas as pd import numpy as npimport matplotlib.pyplot as pltimport seaborn as snsfrom sklearn import datasets２．データの読み込みscikit-learnには、分析の練習用としていくつかのデータセットが提供されています。ここでは、ワインの品質を示す「wine」データセットを利用します。wine = datasets.load_w

前回、やっとの思いで一年分のボートレースの結果を取得した中川です。閲覧してくれた方、いいねを押してくれた方本当にありがとうございました。今回は、まず前回取得したボートレースの結果(2232レース分)がpandasのデータフレームのdfという名前で格納されているので結果を可視化したいと思います。前回のブログはこちらです！そして、作業に取り掛かる前に前回取得したデータをcsvファイルに出力しておきます。df.to_csv("任意のファイル名.csv",encoding='utf_8_sig')encoding は文字化けを防ぐために指定しています。そして、前回取得したデータを棒グラフで表示していきたいと思います。matplotlib と、リストのデータを要素ごとにまとめてくれるモジュール collections をインポートしておきます。import numpy as np import pandas as pd import requests import reimport collectionsimport matplotlib.pyplot as pltfrom bs4 import BeautifulSoup次にcollection メソッドをつかって同じ要素（ここでは順位の１～６位を）の出現回数を数え、それを変数に代入します。first = collections.Counter(df['一着'])そして、まとめられた要素の中の個別の要素を取ってきてくれるくれるメソッド keys() と各要素が何個ずつ存在しているか教えてくれるメソッド values()を使います。試しに

ここのところずーっと、「今日は買い目指示の出るレースがありませんでした」と、不本意ながら言い訳ばかりするような始末でしたが、5000件くらいのレース結果を活かさないのは悔しいので、かなり強引に適合させました。通常、過去のデータから未来を予測するためには、過去のデータに「合いすぎる」のは考えもの（overfitting、過学習）。かといって、過去のデータをないがしろにすると全く当てずっぽうになるおそれもある（underfitting、過少学習）。実は、いい予測モデルはこのバランスがいいのですよね。そりゃあ、一番いいのは、必ずこういう結果になるというツボを知ることなのですが、桂枝雀さんが「緊張の緩和というけれど、必ず誰もが笑うようなケースなどない」と指摘されていたように、競馬でもまずないでしょう。過去のデータでも、未来のデータでも、例えば「的中率70％」というのが維持できていれば、それは大変使いやすいモノになります。今回のは過学習気味のモデル、交差検証はやってるんですが。ところが先週の日曜日のデータでは、27点購入指示があり、回収率130％超。悪くはないわね。何とか、明日から少しでも反転攻勢といきたいところです。

Djangoを使ったWeb開発最近、Firebase 以外の選択肢に、Python のバックエンドとして Django を触り始めました。大きな理由の一つが、マシーンラーニング（機械学習）を利用したアプリを考えているからです。マシーンラーニングのライブラリは Python で書かれたものが主流で、これらを利用するには、Python のプログラムの方が都合が良いことが多いからです。Python のバックエンドPython ベースのバックエンドは Django の他にも、Flask や CherryPy、Pyramid などいろいろありますが、Django は外部のモジュールを取り込まなくてもほぼ必要な機能が揃っているので、まずは Django の活用を最優先で現在取り組んでいます。ライトウエイトの場合、Flask も良さそうです。Python 利用のメリットは？豊富なライブラリが一番の魅力です。特にデータ処理系のライブラリが豊富で便利です。今回、Python ベースのフレームワークを検討した理由が、＊　機械学習のライブラリ：Scikit-Learn＊　データ処理ライブラリ：Numpy＊　データ解析ライブラリ：Pandas　などです、このほか、Google の提供する Tensorflow などのディープラーニングのライブラリなども利用できるのは大きな魅力です。これらを取り込んだ Web ベースのアプリを考える場合、Python を利用する大きな理由になります。Django の学習コスト基本的に Django はバックエンドのフレームワークで、独特の操作が必要になります。従って、基

「日々の仕事で取引チャンスを逃してしまう...」「感情的な取引で失敗した経験はありませんか？」なぜPythonなのか？ #PythonにしかできないFX自動売買ツールのメリット1. 豊富なAI・機械学習ライブラリ Pythonは、**AI（人工知能）や機械学習の分野で最も使われている言語**です。TensorFlowやPyTorchといった最先端のライブラリを使って、以下のような高度なロジックをツールに組み込むことができます。 市場の未来を予測: 過去の膨大な市場データをAIに学習させ、未来の値動きを予測するモデルを構築できます。 最適な取引戦略の自動生成: AIが取引結果から自律的に学び、収益性を最大化するような戦略を自動で作り出すことも可能です。 これは、他の言語では実装が難しい、Pythonならではの大きな強みです。 2. 強力なデータ分析機能FX取引では、過去のデータを分析することが不可欠です。Pythonには、**PandasやNumPy**といった強力なデータ分析ライブラリが標準装備されています。 高速なバックテスト: 何十年分もの過去データを瞬時に処理し、開発した取引戦略が有効かどうかを効率的に検証できます。 多角的な分析:過去の値動き、経済指標、さらにはSNSのセンチメントデータまで、さまざまな情報を統合して分析し、より精度の高い戦略を導き出すことが可能です。 これにより、ツールの信頼性を客観的に証明できます。  3. 圧倒的な開発効率と柔軟性Pythonはコードがシンプルで読みやすいため、**開発のスピードが非常に速い**です。 アイデアを素早く形に: 新しい

ECサイトを運営している方々の中で、データの活用をもっと効率的に行いたいと考えている方は多いのではないでしょうか？しかし、「データをどう使えばいいのか分からない」、「自社にデータ分析の専門家がいない」、という悩みを抱えている方も少なくないはずです。そんな方に向けた解決策として、今回ご紹介する「データドリブンなマーケティング戦略」のサービスをおすすめします。──◆◇ こんな方におすすめ ◆◇───- 自社データを活かして売上を伸ばしたい- 客観的なデータに基づくマーケティング戦略を作りたい- 高度なデータ分析を行いたいが、自社に専門家がいない──◆◇ サービス概要 ◆◇───このサービスでは、あなたのECサイトで蓄積されたデータ（購買履歴やサイト滞在時間、カート放棄率など）を活用し、効果的なマーケティング戦略を提案します。リピート購入を増やしたり、クロスセリング・アップセリングを実現するための戦略を一緒に構築し、実際の施策までサポートします。──◆◇ サービス内容 ◆◇───1. RFM分析 顧客の購買行動を「最近の購入日」「購入頻度」「購入金額」の3つの指標で評価し、顧客を複数のセグメントに分類します。これにより、リピート購入が期待できる顧客やVIP顧客に最適なキャンペーンを提供できます。2. 購買予測 機械学習モデルを使って、顧客が再購入する確率を予測します。また、離脱リスクの高い顧客を特定し、効果的な再アプローチを提案します。さらに、最適なキャンペーン実施のタイミングもアドバイスします。3. クロスセリング・アップセリングの提案 購買データを分析し、顧客に追加で購入されやす

おはようございます。今日からブログを書いて見ようと思います。初回は最近話題の機械学習やAI分野でよく使われるプログラミング言語、Pythonについて解説します。お前は誰やねん。という話ですが私は日本のメーカーでデータを扱う仕事をしており、Python基礎講座という社内研修を担当しています。そもそもPythonとは？Pythonは、非常にシンプルで読みやすいコードが特徴のプログラミング言語です。Pythonの特徴の一つに、「可読性」があります。他の言語と比較して、Pythonのコードは非常に明確で、自然言語に近い形式で書くことができます。そのため、初心者でも理解しやすく、学びやすいのです。PythonがAIや機械学習でよく使われる理由では、なぜPythonがAIや機械学習でよく使われるのでしょうか。その理由はいくつかあります。1. ライブラリの豊富さ:Pythonは、AIや機械学習のためのライブラリが非常に多く提供されています。ライブラリとは、特定の機能を実行するためのコードの集まりで、自分でゼロからコードを書く必要なく、それらの機能を使用できます。たとえば、NumPyは数値計算を、Pandasはデータ分析を、Scikit-learnは機械学習を、そしてTensorFlowやPyTorchは深層学習を簡単に行うことができます。2. 汎用性と使いやすさ: Pythonは汎用プログラミング言語であり、ウェブ開発、データ分析、ソフトウェア開発など、さまざまな用途で使用できます。また、そのシンタックス（文法）は非常に直感的であるため、初心者にとっても学びやすいです。3. コミュニティ:P

有料記事に向けたテスト投稿です。2021年8月8日 新潟11R レパードステークス(G3)■参考データ race_id 201604020411 第8回レパードステークス(G3) 201704020411 第9回レパードステークス(G3) 201804020411 第10回レパードステークス(G3) 201904020411 第11回レパードステークス(G3) 202004020611 第12回レパードステークス(G3)■複勝率100% final_corner_9R 5.0 [0, 1, 1, 0] final_corner_9R 5.666666666666667 [1, 0, 1, 0] final_corner_allR 5.0 [0, 1, 1, 0] final_corner_allR 5.666666666666667 [1, 0, 1, 0] final_corner_course_len_9R 3.75 [0, 2, 0, 0] final_corner_course_len_allR 3.75 [0, 2, 0, 0] final_to_rank_9R 1.25 [1, 0, 1, 0] final_to_rank_allR 1.25 [1, 0, 1, 0] final_to_rank_course_len_5R 0.6666666666666666 [1, 0, 1, 0] final_to_rank_course_len_9R 0.5 [2, 0, 0, 0] final_to_rank_course_len_allR

有料記事に向けたテスト投稿です。■複勝率100%final_corner_course_len_9R 5.8 [1, 0, 1, 0] final_to_rank_9R -1.3333333333333333 [1, 1, 0, 0] final_to_rank_course_len_9R 3.6 [1, 0, 1, 0] first_corner_5R 3.6 [1, 2, 0, 0] first_corner_allR 4.5625 [1, 1, 0, 0] first_corner_course_len_5R 7.75 [2, 0, 0, 0] first_corner_jockey_id_9R 4.5 [1, 1, 0, 0] first_corner_jockey_id_allR 4.5 [1, 1, 0, 0] first_corner_race_type_5R 3.6 [0, 2, 0, 0] first_corner_race_type_allR 4.5625 [1, 1, 0, 0] first_to_final_9R 0.5555555555555556 [0, 1, 1, 0] first_to_final_race_type_9R 0.5555555555555556 [0, 1, 1, 0] first_to_final_race_type_allR 0.125 [1, 0, 1, 0] first_to_rank_5R 4.0 [1, 0, 1, 0] first_to_rank_course_len_5R 1.0 [0, 1, 1, 0] firs

こんにちは。あなたの心に寄り添うプロエンジニアyuuです。これまでたくさんの方に競馬予想AIを購入いただき、大変うれしく思います。心から、本当にありがとうございます。この度、競馬予想AIのセールスプロモーションとして、中央競馬AI予想の有料記事の販売を始めることにしました。有料記事で使う予想はココナラで出品している競馬予想AIとは異なり、私が独自に研究、開発を行ったもので予想しようと考えています。どのような内容での配信となるかは検討中ですが、競馬予想AIのご購入につながるような体験を提供できればと思います。

はじめに：AI技術の驚異的な進化2025年、AI（人工知能）の世界は前例のない速度で進化し続けています。AI市場は2022年の約18.7兆円から2030年には約12倍の規模になると予測されており、私たちの生活とビジネスを根本的に変革しようとしています。この変化の波に乗り遅れることは、もはや許されません。2025年のAI業界を席巻する三強モデルGPT-5：OpenAIの最高傑作GPT-5はコーディング分野で最高スコアを記録し、Aider polyglotベンチマークで88%という驚異的なスコアを達成しています。特に注目すべきは：感情的知能（EQ）の向上：より人間らしい対話が可能ハルシネーションの大幅減少：信頼性が飛躍的に向上創造性と直感力の強化：複雑な推論を必要としない洞察的な回答Claude 4：安全性と長文処理のスペシャリストClaude 3.7は特に複雑な問題解決や高度な推論能力に優れた大規模言語モデルとして、2025年2月にリリースされました。最大100,000トークン以上の入力対応：他のAIを大幅に上回る長文処理能力憲法AI設計：データプライバシー保護を重視した倫理的利用コーディング支援の強化：開発者からの評価が特に高いGemini 2.5 Pro：Googleの逆襲Gemini 2.5 ProがChatbot Arenaのランキングでトップとなり、数学領域のベンチマーク「AIME 2025」で約86.7％の正答率を達成し、業界に衝撃を与えました。100万トークンの超巨大コンテキストウィンドウ：本一冊分の情報を一度に処理Google製品との完全統合：Gmail、Docs

以前に「機械学習入門レクチャー」を行ったことがあります。座学を中心にするのではなく、興味のある分野にあわせてカスタマイズし、AIにコードを書かせて実際に動かしてみることを軸にしました。 資料自体もAIに生成させた部分が多く、正直なところ「内容だけならAIに聞けば同じ」でもあります。ただ、AIに聞いただけでは進め方に不安があったり、最初のとっかかりに自信が持てなかったりする方も少なくありません。そうした方に向けて、実際に一緒に進めるサポート（レクチャー） をしました。 レクチャーのスタイル ・座学はほどほどに難しい理論を最初から詰め込むのではなく、手を動かしながら自然に理解していくスタイル。 ・AIを活用：コードや資料はAIに書かせ、受講者は内容を理解しながら修正・実行することに集中。 ・興味分野に合わせて柔軟に：ビジネスデータ、自然言語処理、可視化など、それぞれが関心を持てる題材を扱う。 使用したカリキュラム（例）1. ChatGPT活用術 – 基本的な使い方やGPTsの紹介 2. 環境構築とPython基礎 – VSCodeの導入、拡張機能、基本操作 3. Windows操作とショートカット – データサイエンスに役立つ作業効率化 4. データの前処理 – 欠損値処理、スケーリング、カテゴリ変数の扱い 5. 探索的データ解析（EDA） – ヒートマップ、分布確認、相関分析 6. 次元圧縮とクラスタリング – PCA、UMAP、DBSCANなどを使ったグループ分析 7. 因果推論の基礎 – DAGの考え方や簡単な因果分析 8. 回帰分析 – 線形回帰とロジスティック回帰 9.

前回のブログでお話した、競馬予想ロジック対決の自動投票プログラム。今週は、ありがたいことに自動投票システムの開発を受注し、そちらに集中していました。そのため、デモ画面の開発は残念ながら進捗なしです。そして、週末の競馬開催。自分の予想ロジックを実際に稼働させてみたのですが、結果は…惨敗。惜しいところまではいくのですが、なかなかバシッと当たってくれません。そもそも、今の私のロジックは調教データをもとにしているのですが、これはあくまでも私が今まで培ってきた思考ロジックを再現したようなもの。正直、根拠があるとは言い難い状況です。そこで、ふと思ったんです。「まずは、このロジックの精度を高める検討をした方が良いのではないか…？」と。実は、機械学習の活用はずっと前から考えていたのですが、わからないことが多すぎて、なかなか重い腰が上がらなかったんですよね。でも、今回を機に、少しだけ機械学習について調べてみました。決定木やランダムフォレストといった言葉は聞いたことがあったのですが、それが一体どういうもので、どう解釈してどう使えばいいのか、全くわかっていませんでした。でも、少しだけイメージが湧いてきたんです。もしかしたら、自分のロジックに機械学習を当てはめて、何か面白いものが作れるかもしれない、と。そんなわけで、デモ画面の開発は一旦置いておいて、まずは自分の予想ロジックの精度を高めるための開発を先に進めようかな、なんて考えています。寄り道ばかりで、なかなか前に進まない私ですが…（汗）でも、今回の寄り道が、きっと未来につながると信じて、頑張りたいと思います！進捗状況は、またブログで報告させてください

いろいろな案件を同時に対応・作業しています。それにしても、本当にいろいろな案件が来ます。SSL更新、VPS設定、Dify案件、画像認識AI案件、機械学習案件、データベース案件、CMS製作案件、WordPressカスタマイズ案件、動画制作ツール案件などなどこれら、現在対応している案件です。必ずしも、受注確定ではないものも含んでいます。私の提案待ちになっている案件もいくつか含んでいます。提案する時に、けっこう下調べはちゃんとするようにしていますので提案するまでに時間がかかったりもします。プログラマーの案件の受注としては、受注してから「むずかしい」「できませんでした」は言えませんので、「こうすればできる」と思うところまで、下調べを私はしっかりと行います。下調べして、提案を書いても、金額が見合わなくて、発注されないこともそれなりにあります。まあ、仕事柄そういうものだよなあと思って諦めています。ただ、発注されなくても調べた知識や経験は、また自分のストックになるので、まあいいかなと思います。そういう案件の話でもやってこないと、自分からはなかなかその内容に触れることもないので、まあいいかなと。製作の方は、最近は同時並行に進めると、納期が複数件で延びていくし、一つ一つの内容が頭から離れてしまいロスがあるので、1件ずつ集中するようになりました。それでも、クライアントとの連絡や相談などが途中で発生することもあり、「待ち」が発生します。その時には、次の案件を進めるようにしています。また、問い合わせが来ても、あまり受注期待することもなくなりました。普通に技術系のチャットのような気持ちで、対応しています

なんで今、機械学習を学ぶべきなのか？最近、テクノロジーの進化が本当にすごいスピードで進んでいるのを感じませんか？スマホでネットを使っていると、AIや機械学習がますます身近なものになっているのが実感できます。例えば、ネットで商品を検索したり、SNSを見ていると、「あなたにオススメ」の商品や投稿が表示されますよね。これって、実は機械学習が働いているおかげなんです。じゃあ、機械学習を学ぶメリットって？でも、どうして今、機械学習を学ぶべきなのでしょうか？その理由はシンプルです。これからの時代、機械学習はもっと多くの仕事や生活に欠かせないものになるからです。例えば、ビジネスの世界でも、企業はデータを使ってより良い意思決定をするために機械学習を活用しています。だから、機械学習を学べば、自分のキャリアを広げるチャンスがぐっと増えるんです。実際、私は機械学習を学んで転職を決めた結果、年収が大幅にアップしました。以前はデータ分析に携わっていましたが、機械学習のスキルを深めたことで、より高い評価を受けて転職成功。その結果、年収アップだけでなく、自分のキャリアの幅も広がったのです。まさに、学びが直接キャリアに繋がることを実感しました。実際、何ができるようになるの？じゃあ、機械学習を学んだら具体的にどんなことができるようになるのでしょうか？まず、データを使って予測をしたり、パターンを見つけたりする能力が身につきます。例えば、売上の予測や、顧客がどんな商品を好むかを予測することが可能になります。さらに、画像を分析して写真や動画を自動的に分類したり、文章を自動で翻訳したりもできるんです。機械学習を学べば、

はじめにAI（人工知能）は、私たちの生活に急速に浸透し、ビジネスの世界でもその活用が期待されています。しかし、「AIって何ができるの？」「自社のビジネスにどう活かせばいいの？」といった疑問を持つ方も多いのではないでしょうか。本記事では、AIの具体的な活用事例を交えながら、あなたのビジネスを劇的に変える可能性を秘めたAIの力を紹介します。AIの活用事例：多種多様な分野で活躍AIは、様々な分野で活用されており、その可能性は無限大です。以下に、具体的な活用事例をいくつかご紹介します。1. 製造業における品質管理の向上AIを搭載した画像認識システムは、製品の不良品を従来よりも高精度かつ迅速に検出することができます。これにより、製品の品質向上だけでなく、人件費削減にもつながります。2. 小売業における顧客体験の向上AIを活用したレコメンドシステムは、顧客の購買履歴や閲覧履歴に基づいて、最適な商品を提案することができます。これにより、顧客の満足度向上と売上アップが期待できます。3. 金融業界におけるリスク管理AIは、大量の金融データを分析し、不正行為や信用リスクを早期に検出することができます。これにより、金融機関はより安全なサービスを提供できるようになります。4. 医療分野における診断支援AIは、医療画像（X線画像、MRI画像など）を分析し、医師の診断を支援することができます。これにより、診断の精度向上と医療の効率化が期待できます。5. カスタマーサポートの自動化AIチャットボットは、顧客からの問い合わせに24時間365日対応することが可能です。これにより、顧客満足度向上とオペレーターの負

とうとう、依頼されている案件の要望をどうにか達成したいので機械学習のアノテーション作業まで手を出すことになりそうです。機械学習における画像認識のアノテーション：わかりやすい解説アノテーションとは、機械学習モデルに画像データを「教える」ための作業です。具体的には、画像の内容を人間が見て判断し、タグ付けや枠線で囲むことで、画像に何が写っているかをコンピュータに理解させていきます。例えると、子供に言葉を教えるようなものです。 子供に絵本を見せ、「これは猫だよ」「これは犬だよ」と教えてあげることで、子供は猫や犬を認識できるようになります。同様に、アノテーションされた画像データがたくさんあればあるほど、機械学習モデルは画像をより正確に認識できるようになります。アノテーションの種類アノテーションには、主に以下の種類があります。物体検出: 画像の中の物体を検出し、タグ付けします。例えば、「猫」「犬」「車」などをタグ付けします。セマンティックセグメンテーション: 画像の中のすべての領域を分類し、それぞれにタグ付けします。例えば、「道路」「空」「人」などをタグ付けします。画像分類: 画像全体を分類します。例えば、「風景写真」「人物写真」「食べ物写真」などを分類します。アノテーションの重要性アノテーションは、高精度な画像認識モデルを開発するために不可欠です。質の高いアノテーションデータは、以下の点で重要です。モデルの精度向上: 正確なアノテーションデータは、モデルがより正確な特徴を学習し、より良い結果を出すのに役立ちます。汎用性の向上: 多様なアノテーションデータは、モデルの汎用性を高め、様々な状

オークス楽しみですね＾＾前回ソダシを外すという飛んでもないモデルを作ってしまったので反省も含めて今回は該当レースまでに獲得した総賞金額も特徴量として入れてみたいと思います。間に合えばまたレース前に予想をアップします

競馬予想はpython機械学習でしています。モデルの正解率をこれから記載しようと思います。ちなみに、、、・桜花賞：７２％　★的中・皐月賞：なぜか予想できておらずorz・マイラーズカップ　：８０％　★的中・天皇賞春：６２％　★的中・ＮＨＫマイル：６９％（今のところ、でももう上がらんかも・・）6着（全馬の優先順位は付く）までに入る馬を予想して、その中で馬券を選んで購入するスタイルです。（本当はもっと絞りたい）なので天皇賞は当たっても儲け無し( ；∀；)競馬をギャンブルと捉えないで投資として少額でも儲かる買い方しないとダメですね・・モデルのチューニングにどうしても時間が掛かるので1週間に1レースしか予想できないなぁ~なにかやり方考えないとなぁ~

有料記事に向けたテスト投稿です。2021年8月8日 新潟9R 驀進特別(2勝クラス)■参考データ race_id 201604020410 驀進特別 201704020410 驀進特別 201804020410 驀進特別 201904020410 驀進特別 202004020609 驀進特別 ■複勝率100% final_corner_jockey_id_5R 7.0 [0, 2, 1, 0] final_corner_jockey_id_9R 7.0 [0, 2, 1, 0] final_to_rank_race_type_5R -1.2 [1, 2, 0, 0] first_corner_5R 5.0 [1, 2, 0, 0] first_to_rank_5R -1.0 [0, 3, 0, 0] last1_date 2017-07-22 00:00:00 [1, 1, 1, 0] last1_race_id 201703020711 [1, 1, 1, 0] last1_time_diff_ratio 1.8870967741935483 [1, 1, 1, 0] last1_time_ratio 1.003968253968254 [1, 1, 1, 0] last1_上り_mean 34.6 [1, 1, 1, 0] last1_ﾀｲﾑ指数_mean 86.75 [1, 1, 1, 0] last1_ﾀｲﾑ指数_ratio 0.9532967032967034 [1, 1, 1, 0] last2_通過 6 [2, 0, 1, 0

有料記事に向けたテスト投稿です。 2021年8月8日 新潟11R レパードステークス(G3)■参考データ race_id 201601010611 第21回エルムステークス(G3) 201701010611 第22回エルムステークス(G3) 201801010611 第23回エルムステークス(G3) 201901010611 第24回エルムステークス(G3) 202001010611 第25回エルムステークス(G3)■複勝率100% diff_date 50.0 [0, 1, 1, 0] final_corner_course_len_allR 3.5 [1, 1, 0, 0] final_to_rank_9R -0.6666666666666666 [2, 0, 0, 0] final_to_rank_course_len_allR 2.5 [1, 1, 0, 0] first_to_final_9R 1.5555555555555556 [1, 1, 1, 0] first_to_final_course_len_allR 2.5 [1, 0, 1, 0] first_to_final_jockey_id_5R 2.6666666666666665 [1, 1, 0, 0] first_to_final_race_type_9R 1.5555555555555556 [1, 1, 1, 0] first_to_rank_5R 8.6 [1, 1, 0, 0] first_to_rank_9R 0.8888888888888888 [2, 0,

人工知能と検索エンジンの25年間の歴史を徹底解説。Google創設からChatGPT登場まで、主要アルゴリズムアップデート、機械学習導入、AI革命がSEOに与えた影響を時系列で詳しく紹介。検索の未来を理解するための決定版ガイド。はじめに：検索エンジンとAIの交差点で起きた革命「なぜGoogleはあなたが何を求めているかを正確に理解できるのでしょうか？」この疑問の答えは、25年以上にわたる人工知能技術と検索エンジンの共進化の歴史にあります。1990年代後半のシンプルなキーワードマッチングから、2024年現在の生成AI検索まで、この分野は驚くべき変化を遂げてきました。私がSEO業界に携わって15年の間に、Googleアルゴリズムの大きな変化を何度も目にしてきました。特に2010年代以降のAI技術導入は、SEO戦略を根本的に変える転換点となりました。実際、私がコンサルティングしているクライアントの中には、AI技術の理解不足により検索順位が大幅に下落した企業もあります。本記事では、人工知能と検索最適化の歴史を詳細に振り返り、現在のAI検索時代に至るまでの技術的変遷を解説します。この歴史を理解することで、今後の検索エンジンとSEOの方向性を予測し、適切な戦略を立てることが可能になるでしょう。検索エンジン黎明期（1990年代）：ルールベースシステムの時代初期検索エンジンの技術的特徴1990年代の検索エンジンは、人工知能というよりもルールベースシステムに依存していました。主要な初期検索エンジンの特徴AltaVista（1995年創設）技術基盤：単純なキーワードマッチング評価基準：キーワード密

2025年最新版：機械学習アルゴリズムがSEOに与える衝撃的影響を徹底解説。AI Overview導入で61.9%の企業が流入減少する中、GoogleのGeminiモデル統合とコアアップデートで検索の常識が激変。従来のキーワード最適化はもう通用しません。AI時代に勝ち残る5つの実践戦略、E-E-A-T強化法、AIO対策まで、今すぐ実行すべき具体的アクションを専門家が解説。あなたのサイトが取り残される前に、新時代のSEO戦略を今すぐ確認してください。はじめに：AI検索時代の到来で変わるSEOの常識2025年、Google検索は機械学習アルゴリズムの飛躍的進化により、これまでのSEO常識を根底から覆す大変革を迎えています。あなたのサイト、AI時代に取り残されていませんか？2025年3月以降、「AI Overview」の影響で自然検索からの流入が減少したと回答した企業は約6割（61.9％）という衝撃的なデータが示すように、従来のSEO手法だけでは通用しない新時代が始まっています。この記事では、最新の機械学習アルゴリズムがSEOに与える具体的な影響と、今すぐ実践すべき対策を、実データと専門知識をもとに徹底解説します。3分後には、あなたのSEO戦略に必要な方向転換が明確になるでしょう。Googleの機械学習革命：何が変わったのか？Geminiモデルの統合で検索精度が劇的向上Googleは、検索エンジンにAI技術（特にGeminiモデル）をさらに統合し、より文脈を理解した検索結果を提供するようになりました。これにより、キーワードの羅列だけではなく、コンテンツ全体の意味を正確に捉える能力が向

OpenAI の CEO、サム・アルトマン氏が最近ソーシャルメディアで述べた、「AI との対話で『お願いします』や『ありがとう』と言うことにかかる費用は数千万ドルだが、それだけの価値がある」というコメントは、人間と人工知能の進化する関係に興味深い窓を開きました。この発言は、デジタル上の丁寧さに対する驚くべき経済的支出に目が向きがちですが、より深い示唆は、意識を持たない存在とどのように交流するかという倫理的および社会的な側面にあります。これは単なる経済的な注釈ではなく、人間と AI の関わりの本質、そして私たちが技術的な創造物に投影する価値観について熟考を促すものです。礼儀のリアルなコスト：計算とエネルギーの消費AI に「お願いします」や「ありがとう」と言うことが、計算能力、エネルギー、冷却リソースといった具体的なコストを伴うという概念は、デジタルインタラクションの背後にある物理的な現実を浮き彫りにします。大規模言語モデル（LLMs）によって処理されるすべての文字、生成されるすべての応答には、相当なインフラが必要です。LLMs は、入力（プロンプト）を受け取り、その膨大なニューラルネットワークを通じて複雑な計算を行い、次に最も可能性の高い単語を予測・生成することで応答を構築します。このプロセスには、数十億あるいは数兆ものパラメータ演算が関わります。「ありがとう」のような短い礼儀の言葉であっても、それが入力シーケンスの一部である限り、モデルによって解析・処理される必要があり、計算サイクルを消費します。文字あたりのコストは微々たるものですが、1日に数十億回行われるインタラクション全体

◆この記事の要点・重回帰分析でモデルに組み込むべき説明変数は、分析の目的（予測 or 解釈）によって異なる・適切なモデルの設計は、ぜひご相談ください！◆具体的なイメージあなたは学校の先生です。生徒の「試験の点数」が、「出席率」や「課題の点数」とどう関係しているか知りたいとします。このとき、以下の２パターンの違いを考えてみましょう。①「出席率」や「課題の点数」から、「試験の点数」を予測したい②「試験の点数」に対する、「出席率」の影響を知りたい①は、分析する目的が「予測」です。生徒がとる「試験の点数」が何点になるかを予測するのに使います。②は、分析する目的が「解釈」です。例えば「出席率」が平均より10%高いと、「試験の点数」が平均よりも何点高くなるかを理解するのに使います。それによって、例えば「試験の点数」を上げたい重要な科目については、朝イチの開講を控えて、遅刻しがちな生徒が出席できるようにする等の対策を講じることができます（これは大学等のイメージ）◆回帰の目的に応じた重回帰モデルの違い実は予測をしたいか、解釈がしたいかで、重回帰モデルに組み込むべき説明変数は異なります。具体的に先ほどの例でいうと、「試験の点数」を予測するために準備した回帰モデルがあるとします。そのモデルの回帰係数を見て、「出席率」を10%高くしたときに、「試験の点数」が何点になるか、という解釈はできないことがあります。その結果、「モデルの決定係数R^2は良好だったのに、思ったような施策効果が出てこない…」など誤った施策で時間と費用を無駄にすることがあります。一見簡単に見える重回帰モデルでも、誤った使い方では利益

Googleアナリティクスを日々活用されているマーケターの皆様、AI（人工知能）とML（機械学習）という言葉を耳にする機会が増えているのではないでしょうか？これらの技術は、マーケティングを劇的に進化させる可能性を秘めていますが、その違いを正しく理解している方は意外と少ないかもしれません。今回は、AIとMLの違いを、Googleアナリティクスを例に挙げながらわかりやすく解説します。AIとMLはマーケティングの最強タッグ！例えると…AIとMLは、例えるなら、AI：優秀なマーケティング部長ML：データ分析のエキスパートチームのような関係です。マーケティング部長（AI）は、豊富な経験と知識、そして鋭い洞察力を活かして、市場トレンドや競合分析、自社の過去のデータなどを総合的に判断し、将来のキャンペーン戦略や方向性を提案します。一方、データ分析のエキスパートチーム（ML）は、Googleアナリティクスから得られる膨大なデータを高速かつ正確に分析し、顧客の行動パターンや属性、コンバージョンに至る経路などを特定します。そして、過去のデータから未来を予測し、具体的な改善策を提案します。GoogleアナリティクスでAIとMLを活用するイメージGoogleアナリティクスで例えると、AIは、「来月は新規顧客獲得に注力すべき」「SNS広告のROIが高いので、予算を増やすべき」といった、全体的な戦略や方向性を提案します。MLは、「特定のランディングページの離脱率が高い」「特定のキーワードで検索したユーザーのコンバージョン率が高い」といった具体的な問題点や改善策を提示します。AIとMLを使いこなして、マーケ

※GUI　①※GUI　②※GUI　③何が測定できる？・ワーク外径測定・芯ずれ（振れ）測定・密度推定値の検出　　他の測定治具の結果を推測する事が出来る（機械学習）

６頭のワイドボックス買いでした。余りにも人気薄に印打ったんでビビッてワイドです(笑)馬連買えてたら大きかったな~(結果論・・・）でもナミュール外すんだな・・・、機械学習を進化させなくては！！あとlearning-horseというブログで公開予想してるので気になる方は見に来てください。アドレス欄でブログ名の後ろにドットコム付けると検索できるかと。。

競馬予想のスタイル月　　：週末のデータ収集（レース２，３本に絞る）火ー金：ひたすら機械学習で精度上げ　　　　これがキツイ(;^ω^)　　　　特徴量の整理、ＮＮならハイパーパラメーターの調整などなど、、、　　★精度が７０％超えたら馬券購入（目安）そして当日、、、土日　：特徴量を整理し、モデルへＧＯ！！まずはマイラーズカップから記録に残したいと思います。

何故、Python のフレームワーク Django を使うのか？4 月に入って、Python のフレームワークである Django の記事を中心にお届けしています。 この記事では、どうして Python のフレームワーク Django なのかを簡単にまとめてみました。AI と相性の良い Python最近は、顔認識や自動運転などの技術が発達して実用化されてきています。 こうした技術は、いわゆる「AI」の技術を応用した物です。 ところで、最近よく AI と言われる技術は、もう少し専門的な言葉で言えば「機械学習」（machine learning）と呼ばれるものが中心になっています。さらに言うと、ディープラーニング（deep learning）と呼ばれる技術が使われています。Python に注目した理由は、こうした機械学習のライブラリが充実している点です。機械学習でよく利用されるライブラリは？では、機械学習でよく利用される Python のライブラリにはどんなものがあるかが気になると思います。 よく利用されているライブラリは、＊　Numpy＊　Pnadas＊　MatPlotLib＊　Scikit-Learnなどです。Numpyこれは、大きな多次元の配列や行列の処理に利用できます。データを処理する部分は、C 言語で書かれたモジュールを呼び出しているので、Python のコードで実行するより高速で処理することができるので有利です。大きなデータを扱う場合にこうした、配列や行列の演算はよく使われるので便利なライブラリの一つです。Pandasこれは、データ解析を行うためのライブラリです。データ

こんにちは。この前冬山キャンプをしたら寒くて死ぬかと思った山城です！【データ分析をしよう！】の第3回は、複数のグループの結果に差が出た時、たまたま差が出たのか、それとも何か原因がって差が出たのかを判断する方法について、ザックリと書いていこうと思います。統計学では、「その結果がどれくらいの確率で起こるか」を計算して、5%を基準として判断していきます。・5%以上の確率で起こる　→　偶然・5%より大きい確率で起こる　→　偶然ではない例として、英語のテストを1班7人と2班9人で行った結果が、1班　59, 67, 60, 78, 75, 80, 66　　　　　 平均：69.292班　52, 78, 56, 71, 51, 58, 80, 60, 51　  平均：61.89となったとします。平均点の差は偶然の差かそうではないかを判断してみましょう！この場合、統計学の「平均の差の検定」という手法で計算を行って判断していきます。　　【平均の差の検定】眠くなるので計算過程は割愛します（ハナホジ）なんやかんや計算すると、この差が出る確率は5%より大きくなります。今回は確率が5%より大きいため、この差はたまたま起こったことと判断できます。ザックリ説明しましたが、さらに詳しく知りたい方はグーグル先生に聞いてみてください！次回は、「これとこれは関係ある？」をテーマにしたいと思います。お楽しみに♪

CHATGPT知ってる？はい、知っています。CHATGPTとは、自然言語処理を活用したチャットボットを開発するために開発されたオープンソースのツールキットです。このツールキットを使用することで、自然言語対話を活用した複雑なチャットボットを開発できます。openaiの可能性は？OpenAIは、機械学習を使用して計算機が自然言語を理解し、人間と話すことができるようにするソフトウェアのプラットフォームです。OpenAIを使用することで、複雑なチャットボットを開発することが可能です。OpenAIはまた、自然言語処理を活用した自然な対話と文字起こしを支援するツールキットなどの他のツールを提供しています。これからどんな未来になりますか？自然言語処理技術は、これからの未来でより多くの業界で活用されると予想されます。自然言語処理を活用することで、人工知能（AI）テクノロジーを用いた複雑なチャットボットの開発が可能になります。これらのチャットボットは、複雑な問題を解決し、自然な会話を提供することができます。また、自然言語処理を活用した文章の生成など、他の複雑なタスクも実現できるようになるでしょう。AIによって奪われる仕事は？AIによって奪われる仕事として、人間が実行する作業の自動化によるものがあります。例えば、銀行の自動口座開設や自動請求書処理、診断検査などの病院での診断支援、コールセンターでの質問への対応、バックオフィス処理の簡素化、自動運転技術などがあります。AIと共存するには？

今回のモデルには「全獲得賞金」を追加してみました詳しく説明すると、オークスまでに獲得した賞金です。ですので過去のデータも生涯獲得賞金ではなく、オークス前までの獲得した賞金を説明変数として加えました。現在の正解率は６０％です( ；∀；)おそらくこれ以上は上がらない気がします。他の学習モデルも視野に入れて予測進めないとダメかな~あ、個人的にはプレサージュリフトに期待してます☆彡

なんとか間に合ったので今日も予想してみました。これも面白い予想結果だと思います。ディープラーニングでの正解率は６９％でした。

１番人気から６番人気を芸もなくそのまま予想。馬連ボックス買いで的中どうも学習モデルが人気と単勝オッズに引っ張られている。入力データを見直してみる。

こんにちは。たけのこよりきのこ派の山城です！【データ分析をしよう！】の第4回は、二つの要素の関係の強さを分析する方法をご紹介します。関係性を表す方法として、相関係数（比例または反比例を数値で表したもの）で関係の強さを出す方法があります。相関係数は、以下のように−１〜１の範囲で表されます。・-1に近いほど反比例する関係が強い・0に近いほど関係性がない・1に近いほど比例する関係が強い例として、ビールの販売数と平均気温の関係を測ってみたいと思います。まずはデータを散布図にしてみます。赤線は「回帰直線」と呼ばれるものです。相関係数は各数値と赤線までの誤差を元に計算します。【相関係数の求め方】計算がめんどくさいので、ここは機械に任せましょう。（はなほじ）なんやかんやあって、相関係数は0.315となりました。0.315は一般的には弱い相関があると判断されます。つまり、気温が上がると比例してビールは売れる傾向があることがわかります。このように、2つの要因の関係性の強さを、数値で表すことができるのです。※ただし、相関関係はあっても必ずしも因果関係があるわけではないので、他の要因も検討する必要があります。次回は、「自由評価の分析方法」をテーマにしたいと思います。お楽しみに♪

　１着　ソダシ〇２着　ファインルージュ●３着　レシステンシアソダシを外す学習なんて出来てないのと一緒やん( ；∀；)まぁ買い方で損はしてないけど👍まぁ今回は正解率が６２％だったから仕方ないかな。２着３着は予想通りでナイスでした（(・・?）

予測は、14:40時点のデータからなかなか破天荒な予測。これはさすがに当たってないかもしれないな~でも来たら面白いですよね

天皇賞・春用のデータをスクレイピングしてます。今回は以前のデータに「各馬のその年度の天皇賞から前3走分の着順と賞金」を追加して予想を行う予定。このやり方も大分煮詰まってきたけど、スクレイピング技術が向上しているのでデータは集め続ける予定。時間があれば予想結果をブログに投稿したいと思いますが、単勝、人気、体重、体重増減がレース1時間前なので厳しんです(;^ω^)以前のデータ・枠番、着順、人気、単勝オッズ、体重、増減、過去レースの平均着順

こんにちは、山城です！【データ分析をしよう！】の第２回は、データ分析から結果を得るまでの進め方について書いていこうと思います。ノープランで闇雲にデータ分析を始めると、途中で目的を見失ってしまったり、期待した結果が得られなかったりします。そこで、まずは以下のデータ分析の進め方を押さえましょう。＜データ分析の進め方＞① ビジネスの理解と現状を把握する　（明確にする）② データ分析をする目的を設定する　（明確に設定する）③ データを集める　　　　　　　　　（集める手段があるか？）④ データの内容を理解する　　　　　（データの中身を確認する）⑤ 分析するためにデータを整理する　（分析しやすい形にする）⑥ 分析を行う　　　　　　　　　　　（適した分析手法を選択する）⑦ 評価をする　　　　　　　　　　　（ビジネスに当てはめ結果を得る）⑧ 対策を立てる　　　　　　　　　　（実行する）カッコ書きは、それぞれの重要な部分になります。この流れをしっかり意識してデータ分析を行っていきましょう！あくまでも「データ分析」は手段であり、結果を元に実行して初めてビジネスに価値が生まれますので、その事を忘れないようお願いします。サクサク読めるよう、大まかに説明しましたが、専門的に知りたい方は、「CRISP-DM」でググってみてください！次回は、「これって偶然？必然？」をテーマにしたいと思います。お楽しみに♪

はじめまして！データ分析サポートをさせていただきます山城と申します。このブログでは、「データ分析ってどんなことをするの？」「どんなことが分かるの？」などの素朴な疑問や、分析の手法・分析結果の見方などを、なるべく分かりやすく紹介していこうと思っています。ケース別でもご紹介していきたいと思いますので、依頼を検討されている方はぜひ参考にしてください！データ分析のメガネをかけて、世の中を見てみましょう！