すべてのカテゴリ

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。

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。

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

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

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

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

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？

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…

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！！

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

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

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。

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。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！

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♪

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

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

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♪

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♪

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♪

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,

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

※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。。

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

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

　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

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。

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

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。

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。

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！

「アプリにAIを導入」「話題のディープラーニング」少し前からよく聞くワードですよね？「コンピューターが人間みたいに考えてるんでしょ？」それでいいですか？ボーッと生きてませんか？一般の方で、AIとは無関係な職種の方でしたらそれでいいかもしれません。ただ、これからを生きる学生さんやIT系企業にお勤めの方はこの認識だと恥ずかしいと思った方がいいです。ここでは、今更聞けないAI等の違いについて説明していきます。