K_DM
Youtube Twitter
  • 1. はじめに
    • 1.1 役立つ資料集
  • 2. 機械学習
    • 2.1 線形回帰
      • 2.1.1 最小二乗法
      • 2.1.2 リッジ回帰・ラッソ回帰
      • 2.1.3 外れ値と頑健性
      • 2.1.4 残差の分析
    • 2.2 線形分類
      • 2.2.1 ロジスティック回帰
      • 2.2.2 判別分析
    • 2.3 決定木
      • 2.3.1 決定木(分類)
      • 2.3.2 決定木(回帰)
      • 2.3.3 決定木のパラメータ
      • 2.3.4 RuleFit
    • 2.4 アンサンブル
      • 2.4.1 ランダムフォレスト
      • 2.4.2 スタッキング
      • 2.4.3 Adaboost(分類)
      • 2.4.4 Adaboost(回帰)
      • 2.4.5 勾配ブースティング
      • 2.4.6 勾配ブースティングの可視化
    • 2.5 クラスタリング
      • 2.5.1 k-means
      • 2.5.2 k-means++
      • 2.5.3 X-means
    • 2.6 次元削減
      • 2.6.1 PCA
      • 2.6.2 SVD
      • 2.6.3 LDA
      • 2.6.4 Kernel-PCA
    • 2.7 特徴選択
      • 2.7.1 Boruta
    • 2.8 時系列
      • 2.8.1 Prophetを使ってみる
    • 2.9 異常検知
      • 2.9.1 異常検知①
      • 2.9.2 異常検知②
  • 3. データ前処理
    • 3.1 データ前処理する前に
    • 3.2 データの読み込み・集約
      • 3.2.1 サンプルデータ
      • 3.2.2 pandasの使用
      • 3.2.3 数値に対する演算
      • 3.2.4 SQLで操作
    • 3.3 数値データ
      • 3.3.1 数値をビン化
      • 3.3.2 BoxCox変換
      • 3.3.3 YeoJonson変換
      • 3.3.4 外れ値にラベルを付与①
      • 3.3.5 外れ値にラベルを付与②
    • 3.4 カテゴリカルデータ
      • 3.4.1 One-hot
      • 3.4.2 Target Encoder
      • 3.4.3 Count Encoder
      • 3.4.4 Ordered Target Statistics
    • 3.5 テーブルデータ全般
      • 3.5.1 pdfから表を抽出
      • 3.5.2 処理の進捗を表示
      • 3.5.3 パターンマッチで列を選択
      • 3.5.4 一括で特徴ベクトル化
    • 3.6 特殊なデータ
      • 3.6.1 deeplで論文を翻訳
      • 3.6.2 EDGARのデータを取得
  • 4. 評価指標
    • 4.1 モデル選択
      • 4.1.1 交差検証
      • 4.1.2 層状k分割交差検証
      • 4.1.3 検証曲線
    • 4.2 回帰
      • 4.2.1 相関係数
      • 4.2.2 決定係数
    • 4.3 分類
      • 4.3.1 ROC-AUC
    • 4.4 距離
      • 4.4.1 Kullback-Leiblerダイバージェンス
  • 5. 時系列
    • 5.1 プロットと前処理
      • 5.1.1 データの確認
      • 5.1.2 トレンドの除去
      • 5.1.3 STL分解
      • 5.1.3.2 MSTL分解
      • 5.1.4 Box-Cox変換
      • 5.1.5 調整
      • 5.1.6 移動平均
    • 5.2 指数平滑化
      • 5.2.1 単純指数平滑化
      • 5.2.2 Holtの線形指数平滑法
      • 5.2.3 Holt-Wintersの手法
    • 5.3 単変量
      • 5.3.5 AR過程
      • 5.3.6 MA課程
    • 5.4 多変量
    • 5.5 形状・類似度
      • 5.5.1 動的時間伸縮法(DTW)
      • 5.5.2 DDTW(Derivative-DTW)
      • 5.5.3 DTWとDDTW
      • 5.5.3 tsfresh
    • 5.6 Prophet
      • 5.6.1 Prophet
      • 5.6.2 Prophetのモデルの中身
      • 5.6.3 Prophetのパラメータ
    • 5.7 階層化・グループ化
      • 5.7.1 階層的な構造
    • 5.8 教師なしの手法
      • 5.8.1 ruptures
      • 5.8.2 Isolation Forest
  • 6. 可視化
    • 6.1 カテゴリと数値
      • 6.1.1 日本地図
      • 6.1.2 ツリーマップ
      • 6.1.3 ドーナツチャート
      • 6.1.4 サンキーダイアグラム
    • 6.2 数値の分布
      • 6.2.1 ヒストグラム
      • 6.2.2 密度プロット
      • 6.2.3 リッジラインプロット
      • 6.2.4 バイオリン図
    • Appendix
      • A.1 matplotlibスタイルシート
  • 7. 経済データ
    • 7.1 時系列データ
      • 7.1.1 FREDデータベース
      • 7.1.2 mplfinance
      • 7.1.3 RSI
      • 7.1.4 相互相関
      • 7.1.5 ピーク検出
      • 7.1.6 ETFと利回りを比較
      • 7.1.7 CCI(消費者信頼感指数)
      • 7.1.8 変化点の検出
      • 7.1.9 企業の財務情報をパース
      • 7.1.10 季節調整
      • 7.1.11 外れ値
      • 7.1.12 Quantstats
    • 7.2 可視化
      • 7.2.1 カントリーリスクプレミアム
      • 7.2.2 ＋-の変化の表現
      • 7.2.3 レーダーチャート
      • 7.2.4 ジグザグ
    • 7.3 テキスト処理
      • 7.3.1 テキストの感情分析
      • 7.3.2.1 動画からの音声認識
      • 7.3.2.2 英語から日本語字幕データを作成
    • 7.4 その他
      • 7.4.1 投資信託
      • 7.4.2 EDINET
      • 7.4.3 EDINET②
      • 7.4.4 J-Quants API
      • 7.4.5 ChatGPT
  • 8. GPTs
    • 8.1 英会話の練習相手君
    • 8.2 ビジネス英訳さん
    • 8.3 複数英語スタイル同時英訳さん
  • 9. アプリケーション作成
    • 9.1 streamlit
    • 9.2 Gradio
    • 9.3 Flask
    • 9.4 Flask + Vue.js
  • 10. その他
    • 10.1 不規則データの補完
    • Issues
    • Privacy Policy
  • Youtube
  • Twitter
  • Twitch
  • プライバシーポリシー
  • 問題点・ミスを見つけた場合
  • 色を反転する
  • 履歴削除
トップページ>
COPYRIGHT (C) 2021- K_DM. ALL RIGHTS RESERVED. [Privacy policy]