タイトル(00:00:00 - 00:01:17) - 時系列データから様々な特徴量を作成してみよう!

タイトル(00:00:00 - 00:01:17)
時系列データから様々な特徴量を作成してみよう!

この動画では、時系列データを使った機械学習を実行する中でどのような特徴を作ることができるか観点ごとに説明してみようと思います。
動画で使用したコード:https://k-dm.work/ja/timeseries/shape/004-ts-extract-features/

-----------------------------
★タイトル
00:00 タイトル
01:17 tsfreshで特徴を作成
02:...
この動画では、時系列データを使った機械学習を実行する中でどのような特徴を作ることができるか観点ごとに説明してみようと思います。
動画で使用したコード:https://k-dm.work/ja/timeseries/shape/004-ts-extract-features/

-----------------------------
★タイトル
00:00 タイトル
01:17 tsfreshで特徴を作成
02:33 時系列データから作成できる特徴
02:59 統計量
03:31 集計・自己相関
04:42 ●×の時刻・タイミング
05:22 変化率
06:34 周波数
06:59 形・類似度
07:45 形による特徴の具体例:Cup and handle
09:06 まとめ
-----------------------------
★参考文献
・tsfresh — tsfresh 0.18.1.dev39+g611e04f documentation https://tsfresh.readthedocs.io/en/latest/
・pandas.DataFrame.aggregate — pandas 1.5.0 documentation https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.aggregate.html
https://qiita.com/studio_haneya/items/b1757a68cd286a579d37
-----------------------------
★SNS
twitter:
ブログ: https://kdm.hatenablog.jp/
コード置き場: https://k-dm.work/ja/
-----------------------------
★BGM
Flower Field (by FLASH☆BEAT様) https://dova-s.jp/bgm/play13492.html
-----------------------------
★このチャンネルについて
週に一回ペースで機械学習・データサイエンスに関する情報を発信します!よろしければチャンネル登録お願いします。大変励みになります。

#機械学習 #データ分析 #Python

#機械学習 #AI #データ分析 #データサイエンス #データサイエンティスト #Python #scikit-learn #Kaggle #データマイニング #G検定 #E検定 #人工知能 #わかりやすく #初学者
タイトル - 時系列データから様々な特徴量を作成してみよう!

タイトル

時系列データから様々な特徴量を作成してみよう!
2022年10月15日 
00:00:00 - 00:01:17
tsfreshで特徴を作成 - 時系列データから様々な特徴量を作成してみよう!

tsfreshで特徴を作成

時系列データから様々な特徴量を作成してみよう!
2022年10月15日 
00:01:17 - 00:02:33
時系列データから作成できる特徴 - 時系列データから様々な特徴量を作成してみよう!

時系列データから作成できる特徴

時系列データから様々な特徴量を作成してみよう!
2022年10月15日 
00:02:33 - 00:02:59
統計量 - 時系列データから様々な特徴量を作成してみよう!

統計量

時系列データから様々な特徴量を作成してみよう!
2022年10月15日 
00:02:59 - 00:03:31
集計・自己相関 - 時系列データから様々な特徴量を作成してみよう!

集計・自己相関

時系列データから様々な特徴量を作成してみよう!
2022年10月15日 
00:03:31 - 00:04:42
●×の時刻・タイミング - 時系列データから様々な特徴量を作成してみよう!

●×の時刻・タイミング

時系列データから様々な特徴量を作成してみよう!
2022年10月15日 
00:04:42 - 00:05:22
変化率 - 時系列データから様々な特徴量を作成してみよう!

変化率

時系列データから様々な特徴量を作成してみよう!
2022年10月15日 
00:05:22 - 00:06:34
周波数 - 時系列データから様々な特徴量を作成してみよう!

周波数

時系列データから様々な特徴量を作成してみよう!
2022年10月15日 
00:06:34 - 00:06:59
形・類似度 - 時系列データから様々な特徴量を作成してみよう!

形・類似度

時系列データから様々な特徴量を作成してみよう!
2022年10月15日 
00:06:59 - 00:07:45
形による特徴の具体例:Cup and handle - 時系列データから様々な特徴量を作成してみよう!

形による特徴の具体例:Cup and handle

時系列データから様々な特徴量を作成してみよう!
2022年10月15日 
00:07:45 - 00:09:06
まとめ-----------------------------★参考文献・tsfresh — tsfresh 0.18.1.dev39+g611e04f documentation https://tsfresh.readthedocs.io/en/latest/・pandas.DataFrame.aggregate — pandas 1.5.0 documentation https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.aggregate.html・https://qiita.com/studio_haneya/items/b1757a68cd286a579d37-----------------------------★SNStwitter:https://twitter.com/intent/follow?screen_name=_K_DMブログ: https://kdm.hatenablog.jp/コード置き場: https://k-dm.work/ja/-----------------------------★BGMFlower Field (by FLASH☆BEAT様) https://dova-s.jp/bgm/play13492.html-----------------------------★このチャンネルについて週に一回ペースで機械学習・データサイエンスに関する情報を発信します!よろしければチャンネル登録お願いします。大変励みになります。 - 時系列データから様々な特徴量を作成してみよう!

まとめ-----------------------------★参考文献・tsfresh — tsfresh 0.18.1.dev39+g611e04f documentation https://tsfresh.readthedocs.io/en/latest/・pandas.DataFrame.aggregate — pandas 1.5.0 documentation https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.aggregate.html・https://qiita.com/studio_haneya/items/b1757a68cd286a579d37-----------------------------★SNStwitter:https://twitter.com/intent/follow?screen_name=_K_DMブログ: https://kdm.hatenablog.jp/コード置き場: https://k-dm.work/ja/-----------------------------★BGMFlower Field (by FLASH☆BEAT様) https://dova-s.jp/bgm/play13492.html-----------------------------★このチャンネルについて週に一回ペースで機械学習・データサイエンスに関する情報を発信します!よろしければチャンネル登録お願いします。大変励みになります。

時系列データから様々な特徴量を作成してみよう!
2022年10月15日 
00:09:06 - 00:10:06
00:00:01 - 00:00:04: 本日は系列データから特徴量を自動で作成 00:00:04 - 00:00:07: してみようという動画を作成いたしました 00:00:07 - 00:00:10: 液体後までご覧くださいを言うことで 00:00:10 - 00:00:12: 並列から作成できる色々な特徴量について 00:00:12 - 00:00:14: この動画では紹介してみたいと思います 00:00:15 - 00:00:17: 特徴量というのはですね何か加工して 00:00:17 - 00:00:19: 計算した統計量だったりとか 00:00:19 - 00:00:21: プラグのことを指していますもしもですね 00:00:21 - 00:00:23: 自然に意味のある特徴量 00:00:23 - 00:00:24: 予測したいものに対して 00:00:24 - 00:00:26: 効果的な特徴量だったりとか 00:00:26 - 00:00:28: 関係のある要素を知っていればあらかじめ 00:00:28 - 00:00:31: それを明示的に計算してモデルに入れて 00:00:31 - 00:00:33: あげることでアルゴリズムの制度は大きく 00:00:33 - 00:00:35: 改善する場合があります 00:00:35 - 00:00:38: 例えばですね高周波の波形があるときは 00:00:38 - 00:00:40: センサーが故障しているかもという事前 00:00:40 - 00:00:42: 知識がある場合はどういった周波数の要素 00:00:42 - 00:00:44: を特徴量に追加したいとか 00:00:44 - 00:00:46: 株価の場合でしたらカップ&ハンド 00:00:46 - 00:00:49: もしくはカップハンドルの形がある場合は 00:00:49 - 00:00:51: そういったフラグを追加してあげるそし 00:00:51 - 00:00:54: たら株価が上がるかどうかの予測がもっと 00:00:54 - 00:00:56: うまくいくのかもしれませんよねそして 00:00:56 - 00:00:57: 今回はですね 00:00:57 - 00:00:59: 並列のデータからどのような特徴量を作る 00:00:59 - 00:01:01: ことできるかについて 00:01:01 - 00:01:03: 色々ご紹介したいと思いますただですね 00:01:03 - 00:01:06: いちいちPythonを書いて一つ一つで 00:01:06 - 00:01:08: 何倍とかで計算するというのは少し 00:01:08 - 00:01:10: 味気ない動画になってしまいますので一番 00:01:10 - 00:01:11: 最初に1つだけ 00:01:11 - 00:01:14: 特徴の作り方をご紹介してこの後でどの 00:01:14 - 00:01:16: ような特徴があるかというのを列挙して 00:01:16 - 00:01:17: いきたいと思います 00:06:38 - 00:06:39: ということで 00:01:19 - 00:01:21: 早速コードを動かしてみましょう今回は 00:01:21 - 00:01:23: ですね初めに人工データこの部分ですね 00:01:23 - 00:01:26: 人口のデータを作りました 00:01:26 - 00:01:27: 惨敗など 00:01:27 - 00:01:29: インポートした上で実行するとこのような 00:01:29 - 00:01:30: データフレームのデータが作成されます 00:01:30 - 00:01:33: これがどのような時期列のデータかを確認 00:01:33 - 00:01:34: するために 00:01:34 - 00:01:36: 該当してみますとはいこういった形ですね 00:01:36 - 00:01:40: いろいろな波形が作成されます今回はです 00:01:40 - 00:01:42: ねこのTSフレッシュというライブラリの 00:01:42 - 00:01:42: 中の 00:01:43 - 00:01:46: アップを使用しますこれを使用して 00:01:46 - 00:01:50: しばらく時間が経つとはいこのような形で 00:01:50 - 00:01:53: 特徴が作成されますこの特徴を使って予測 00:01:53 - 00:01:54: を行えば 00:01:54 - 00:01:56: 精度が上がるかもしれないしもしかしたら 00:01:56 - 00:01:58: 逆にオーバーフィットして下がるかもしれ 00:01:58 - 00:02:01: ないですねこうしてみてみると最初4つの 00:02:01 - 00:02:03: 時期についてたかったんですがそこから 00:02:05 - 00:02:08: 個の特徴が作成されたみたいですかなりの 00:02:08 - 00:02:11: 数ですよねもちろんその中には計算に失敗 00:02:11 - 00:02:13: したりとか定義ができなかったりしてそう 00:02:13 - 00:02:15: になってる特徴もたくさんありますなので 00:02:15 - 00:02:18: この中で使えるのは実際には数1個ぐらい 00:02:18 - 00:02:19: だとは思うんですけどもそうだとしても 00:02:19 - 00:02:23: かなりの数の特徴が存在しますよね 00:02:23 - 00:02:25: を言うことでいろいろな特徴が時系列 00:02:25 - 00:02:27: データから作成できることが分かったん 00:02:27 - 00:02:30: ですがはいどのような特徴が作成されたの 00:02:30 - 00:02:32: かということでちょっと見ていこうと思い 00:02:33 - 00:02:35: 先ほどのようにシンプルな波形だったとし 00:02:35 - 00:02:37: ても時系列データからは 00:02:37 - 00:02:40: 様々な統計量もしくは特徴量を計算する 00:02:40 - 00:02:41: ことができます 00:02:41 - 00:02:44: 場合によっては問題ごとに特別な特徴量を 00:02:44 - 00:02:46: 自分で設計することもありますこの動画の 00:02:46 - 00:02:49: 中ではですね特によく使うものについて 00:02:49 - 00:02:50: いくつか 00:02:50 - 00:02:52: 観点ごとにピックアップしてみました 00:02:52 - 00:02:55: もちろんこれ以外の観点だったりとか手法 00:02:55 - 00:02:57: も存在すると思いますそれでは順番に上 00:02:57 - 00:03:00: から見ていきましょう1つ目は非常に 00:03:00 - 00:03:02: シンプルな統計量ということでいきなり 00:03:02 - 00:03:05: データの中の最小値最大値 00:03:05 - 00:03:06: 領地といった 00:03:06 - 00:03:09: 要は集計して何か計算するものですねこれ 00:03:09 - 00:03:10: らはですね 00:03:10 - 00:03:11: 本当にいろいろなアイディアが存在すると 00:03:11 - 00:03:12: 思うんですけども 00:03:12 - 00:03:14: 基本的には 00:03:14 - 00:03:15: 安打数の場合だったらデータフレームの 00:03:15 - 00:03:18: アプリゲートというものを用いれば一発で 00:03:18 - 00:03:21: 計算することができますなので普段から 00:03:21 - 00:03:23: ファンダスのデータフレームを用いて 00:03:23 - 00:03:25: データを分析する方はあらかじめこの 00:03:25 - 00:03:27: アフィリエイトのテンプレートのような 00:03:27 - 00:03:28: ものを用意しておいたら 00:03:28 - 00:03:31: 非常に分析が楽になるかもしれません 00:03:31 - 00:03:33: 先ほどと似たような観点として 00:03:33 - 00:03:36: 全部の数値の和だったりとかまああまり 00:03:36 - 00:03:38: ないとは思いますけども掛け算だったりと 00:03:38 - 00:03:41: かそういったものが考えられますよね 00:03:41 - 00:03:43: 具体的には絶対値の間だったりとか2乗の 00:03:43 - 00:03:46: はもしくは時系列にはデータの順番があり 00:03:46 - 00:03:49: ますのでこの変化量の輪だったりとか 00:03:49 - 00:03:52: 自己相関といったものが考えられますね 00:03:52 - 00:03:54: 変化量の絶対値の和というのはまあこう 00:03:54 - 00:03:57: いった形で今赤色の矢印で変化量を 00:03:57 - 00:04:00: 表現しているんですけどもこれらのはを 00:04:00 - 00:04:03: 指していますつまりこれの和ですからこの 00:04:03 - 00:04:04: 区間の中でどれぐらいデータが変化したか 00:04:04 - 00:04:06: ということをさせているわけですよね 00:04:06 - 00:04:10: アクリル板の 00:04:10 - 00:04:12: 値を集計したものですね 00:04:12 - 00:04:14: このアグリエイトオートコレーションと 00:04:14 - 00:04:16: いうのは先ほどのTSフレッシュという 00:04:16 - 00:04:18: ライブラリですぐに計算することができ 00:04:19 - 00:04:22: 要は色々なラグに対して自己相関を計算し 00:04:22 - 00:04:24: た上でそれを 00:04:24 - 00:04:26: 平均値だったり中央値で 00:04:27 - 00:04:29: 代表的な統計量1つ取ってきてそれを特徴 00:04:29 - 00:04:32: 量として扱うということですねただこの 00:04:32 - 00:04:34: ようなですね複雑な計算をして作った特徴 00:04:34 - 00:04:37: 量というのは一般に解釈の仕方も複雑と 00:04:37 - 00:04:40: いうか難しく成り立ちですのでもし使う 00:04:40 - 00:04:42: タイミングは考えた方がいいかもしれませ 00:04:43 - 00:04:45: 別の観点として 00:04:45 - 00:04:47: 並列データにはデータの順番というものが 00:04:47 - 00:04:48: ありますから 00:04:48 - 00:04:51: 国産の時に最大値を取ったもしくは 00:04:51 - 00:04:53: 自国10の時に最長を取ったといった 00:04:56 - 00:04:57: 自国に関する 00:04:55 - 00:04:56: 位置と書いたんですが 00:04:57 - 00:05:00: 特徴量も作ることができます最大最小の 00:05:00 - 00:05:01: 位置もそうですし 00:05:01 - 00:05:03: 初めて現象になった時の時期だったりとか 00:05:03 - 00:05:05: もしくは高い 00:05:05 - 00:05:07: 値を取り続けた時期のスタート地点だっ 00:05:07 - 00:05:09: たりとか上昇トレンドの開始といった感じ 00:05:09 - 00:05:12: で色々な特徴量を自分に作成することが 00:05:12 - 00:05:12: できます 00:05:12 - 00:05:15: このような複雑な特徴ではほとんどの場合 00:05:15 - 00:05:17: 自分で設計しないといけないんですけども 00:05:17 - 00:05:20: その中の一部については先ほどのTS 00:05:20 - 00:05:21: フレッシュというライブラリの中で計算 00:05:21 - 00:05:24: することができますまた時系列データを 00:05:24 - 00:05:26: 並べた時の変化率 00:05:26 - 00:05:28: 変化の度合いも特徴量として考えられます 00:05:28 - 00:05:28: よね 00:05:28 - 00:05:30: 例えば平均の変化率 00:05:30 - 00:05:32: 平均的にどのような変化をするかだったり 00:05:33 - 00:05:36: ibvの平均値2回微分というのはかなり 00:05:36 - 00:05:37: ざっくりというと 00:05:37 - 00:05:39: 変化率そのものがどのように変化している 00:05:39 - 00:05:42: かというのを出していますからこの変化率 00:05:42 - 00:05:44: に関する特徴量と見ることができますね 00:05:44 - 00:05:48: そしてもしくは最初の地点と最後の時点の 00:05:48 - 00:05:49: 変化率だったりとか 00:05:49 - 00:05:52: 変化しなかった回数ほぼ平行だった回数の 00:05:52 - 00:05:53: 割合とか 00:05:53 - 00:05:56: 色々なものが考えられますこのうち平均の 00:05:57 - 00:05:59: 変化率と2回微分の平均値は 00:05:59 - 00:06:01: 先ほどのライブラリで簡単に計算すること 00:06:01 - 00:06:04: ができます最後はですねデータの変換方法 00:06:04 - 00:06:07: ですねこれは時系列データならではの難し 00:06:07 - 00:06:10: さがあると思うんですがこうやって波形を 00:06:10 - 00:06:11: プロットした時に 00:06:11 - 00:06:13: 縦軸ですねY 00:06:13 - 00:06:15: 0から1にどうやって収めるかというのは 00:06:15 - 00:06:18: なかなか難しい問題ですこれもいろいろな 00:06:18 - 00:06:21: 手法がありますしいろんな方法が考え 00:06:21 - 00:06:23: られると思うんですけどもこれはですね 00:06:23 - 00:06:26: この方法がいつもいいとかそういった感じ 00:06:26 - 00:06:27: で考えるよりも 00:06:27 - 00:06:30: 問題設定に合わせて適切な変換をした方が 00:06:30 - 00:06:31: いいですね 00:06:31 - 00:06:33: 場合によっては何も変換しない方がいいか 00:06:33 - 00:06:34: もしれないです 00:06:34 - 00:06:38: そして波形に含まれる高周波低周波の情報 00:06:39 - 00:06:42: FFTだったりベイブレットの情報も特徴 00:06:42 - 00:06:43: 量として 00:06:43 - 00:06:45: 作ることが考えられます1つ注意して 00:06:45 - 00:06:46: いただきたいのは 00:06:46 - 00:06:49: FFTというのはデータの表現方法を 00:06:49 - 00:06:51: 変えるというのであって 00:06:51 - 00:06:53: sftを使ったから何か音のデータには 00:06:53 - 00:06:54: 存在しない 00:06:54 - 00:06:56: 特別な特徴量が作成されるわけではないと 00:06:56 - 00:06:57: いうことだけは 00:06:57 - 00:07:00: 念頭においておいてくださいそして今回 00:07:00 - 00:07:03: 上げる最後の観点としては形だったりとか 00:07:03 - 00:07:04: 類似度の 00:07:04 - 00:07:06: 値を特徴として使うということが考えられ 00:07:06 - 00:07:09: ますこの形の比較類似度の計算方法につい 00:07:09 - 00:07:12: てはいろいろな手法があるんですけれども 00:07:12 - 00:07:13: 特に有名なのは 00:07:13 - 00:07:15: dtwだったり 00:07:15 - 00:07:18: ソフトttwと呼ばれるものだと思います 00:07:18 - 00:07:20: このうちdtwについては動画作成してい 00:07:21 - 00:07:23: ますのでぜひそちらの方もご覧ください 00:07:23 - 00:07:26: このような特徴量はあらかじめ形を決めて 00:07:26 - 00:07:29: おいた上でそれとの類似度を比較して 00:07:29 - 00:07:31: 値を計算する必要があるんですけれども 00:07:31 - 00:07:33: 事前知識がある場合は 00:07:33 - 00:07:36: 強力な特徴量になり得ますよねこういう形 00:07:36 - 00:07:39: ならばこうなるはずだといった事前知識は 00:07:39 - 00:07:40: 世の中にたくさんあると思うんですけども 00:07:40 - 00:07:44: おそらく一番有名なのはバンドハンドと 00:07:44 - 00:07:46: いうものですねこれはどういったものかと 00:07:46 - 00:07:47: いうと 00:07:47 - 00:07:50: 株価の上昇タイミングを見つけるための 00:07:50 - 00:07:53: 知識といっていいと思いますこれはですね 00:07:53 - 00:07:55: 株価のチャートがこういった形になって 00:07:55 - 00:07:57: いるときはこの後で大きくブレイクアウト 00:07:57 - 00:07:59: するタイミングがあるかもしれないといっ 00:08:00 - 00:08:01: 電池になってます 00:08:01 - 00:08:03: 具体的にはですねこの左側の上ちょっと 00:08:03 - 00:08:05: 外部のサイトから引用してきたんです 00:08:05 - 00:08:09: けれども最初に数ヶ月間大きなパソコンを 00:08:09 - 00:08:12: 伴って上昇トレンドを形成すると1番の 00:08:12 - 00:08:15: ところですねその後で一旦下がってそこ 00:08:15 - 00:08:18: まで深くないアーブと言いますか 00:08:18 - 00:08:20: アップの底のような形が出来上がると 00:08:20 - 00:08:22: そして3番のところ 00:08:22 - 00:08:25: 赤色の線で前回の高値のところに線を引い 00:08:25 - 00:08:26: たんですけれどもここでブレイクアウト 00:08:26 - 00:08:28: それを超えるかどうかというところで失敗 00:08:28 - 00:08:31: して下がっちゃうただもう一度ブレイク 00:08:31 - 00:08:33: アウトに挑戦して大きくブレイクアウト 00:08:33 - 00:08:36: するとそういった形をアップアンドハンド 00:08:37 - 00:08:38: Applewithハンドルと呼びます 00:08:38 - 00:08:41: これでこのような形の時に何かを予測し 00:08:41 - 00:08:44: たいといった問題設定があった場合はこの 00:08:44 - 00:08:47: ような形や類似度に基づいた 00:08:47 - 00:08:49: 特徴量が有効に活用できるかもしれません 00:08:49 - 00:08:52: ただですね株価を含め携帯データというの 00:08:52 - 00:08:55: 万に予測が難しいと言いますかほぼ不可能 00:08:55 - 00:08:57: だと思いますのでそういうのも 00:08:57 - 00:08:59: 予測できちゃったらおそらく 00:08:59 - 00:09:01: 織り込みされると思いますのでまあ簡単に 00:09:01 - 00:09:03: はできないと思いますあくまで一例として 00:09:03 - 00:09:06: 今回は紹介いたしました 00:09:06 - 00:09:08: はいということでまとめですね時系列 00:09:08 - 00:09:09: データからは 00:09:09 - 00:09:11: 単なる集計以外にもですね 00:09:11 - 00:09:14: 類似度での比較だったりとか変化率の合計 00:09:14 - 00:09:15: だったりとか 00:09:15 - 00:09:17: 色々な特徴量を作成することができます 00:09:17 - 00:09:20: このような特徴量をですね大量に用意して 00:09:20 - 00:09:23: モデルに入れたらもちろん精度は上がるか 00:09:23 - 00:09:24: もしれないんですけども 00:09:24 - 00:09:26: 逆にオーバーフィッティングする可能性も 00:09:26 - 00:09:27: ありますので 00:09:27 - 00:09:28: 自分で 00:09:28 - 00:09:30: 考えてみてこれはおそらく意味のある特徴 00:09:30 - 00:09:33: だなと思った時はこういった形でどんどん 00:09:33 - 00:09:34: 特徴を追加していくのがいいと思います 00:09:34 - 00:09:37: それでですねいろんな特徴量を追加して 00:09:37 - 00:09:39: そこまでの 00:09:40 - 00:09:42: 重要度を見てみれば何か新しい骨折が 00:09:42 - 00:09:45: できるかもしれませんということで本日は 00:09:45 - 00:09:47: 少し短いですけれども動画はこれで終わり 00:09:47 - 00:09:49: たいと思います 00:09:49 - 00:09:51: よろしければチャンネル登録高評価して 00:09:51 - 00:09:55: いただけると大変励みになりますまたです 00:09:55 - 00:09:57: ね質問だったりとかこういったことも知り 00:09:57 - 00:09:58: たいといった 00:09:58 - 00:10:00: 件ございましたらぜひコメント欄にお書き 00:10:01 - 00:10:02: 本日は最後までご視聴ありがとうござい 00:10:02 - 00:10:05: ました

K_DM【機械学習 x Python】

※本サイトに掲載されているチャンネル情報や動画情報はYouTube公式のAPIを使って取得・表示しています。

Timetable

動画タイムテーブル

動画数:64件

タイトル - Pythonで決算の内容をChatGPTで質問できるようにしよう

タイトル

Pythonで決算の内容をChatGPTで質問できるようにしよう
2024年03月02日 
00:00:00 - 00:01:44
ChatGPTのAPIを使う - Pythonで決算の内容をChatGPTで質問できるようにしよう

ChatGPTのAPIを使う

Pythonで決算の内容をChatGPTで質問できるようにしよう
2024年03月02日 
00:01:44 - 00:03:17
四半期報告書からテキストを抽出する - Pythonで決算の内容をChatGPTで質問できるようにしよう

四半期報告書からテキストを抽出する

Pythonで決算の内容をChatGPTで質問できるようにしよう
2024年03月02日 
00:03:17 - 00:04:31
ChatGPTに決算の質問をする - Pythonで決算の内容をChatGPTで質問できるようにしよう

ChatGPTに決算の質問をする

Pythonで決算の内容をChatGPTで質問できるようにしよう
2024年03月02日 
00:04:31 - 00:06:50
テーブルデータをChatGPTに入力する-----------------------------■関連動画1. EDINET→https://youtu.be/LAHV8tmzNso2. ChatGPT→https://youtu.be/1-dsqPNcE2Y-----------------------------★SNStwitter:https://twitter.com/intent/follow?screen_name=_K_DMコード置き場: https://k-dm.work/ja/-----------------------------★BGMFlower Field (by FLASH☆BEAT様) https://dova-s.jp/bgm/play13492.html-----------------------------★このチャンネルについて週に一回ペースで機械学習・データサイエンスに関する情報を発信します!よろしければチャンネル登録お願いします。大変励みになります。 - Pythonで決算の内容をChatGPTで質問できるようにしよう

テーブルデータをChatGPTに入力する-----------------------------■関連動画1. EDINET→https://youtu.be/LAHV8tmzNso2. ChatGPT→https://youtu.be/1-dsqPNcE2Y-----------------------------★SNStwitter:https://twitter.com/intent/follow?screen_name=_K_DMコード置き場: https://k-dm.work/ja/-----------------------------★BGMFlower Field (by FLASH☆BEAT様) https://dova-s.jp/bgm/play13492.html-----------------------------★このチャンネルについて週に一回ペースで機械学習・データサイエンスに関する情報を発信します!よろしければチャンネル登録お願いします。大変励みになります。

Pythonで決算の内容をChatGPTで質問できるようにしよう
2024年03月02日 
00:06:50 - 00:09:48
タイトル - KLダイバージェンスで分布の差を見よう! #python #データ分析

タイトル

KLダイバージェンスで分布の差を見よう! #python #データ分析
2024年02月11日 
00:00:00 - 00:01:00
使いどころ - KLダイバージェンスで分布の差を見よう! #python #データ分析

使いどころ

KLダイバージェンスで分布の差を見よう! #python #データ分析
2024年02月11日 
00:01:00 - 00:02:44
KLダイバージェンス - KLダイバージェンスで分布の差を見よう! #python #データ分析

KLダイバージェンス

KLダイバージェンスで分布の差を見よう! #python #データ分析
2024年02月11日 
00:02:44 - 00:05:41
python実装 - KLダイバージェンスで分布の差を見よう! #python #データ分析

python実装

KLダイバージェンスで分布の差を見よう! #python #データ分析
2024年02月11日 
00:05:41 - 00:07:51
まとめ-----------------------------★SNStwitter:https://twitter.com/intent/follow?screen_name=_K_DMコード置き場: https://k-dm.work/ja/-----------------------------★BGMKYATTOWORKS様https://kyattoworks.com/partytime/-----------------------------★このチャンネルについて週に一回ペースで機械学習・データサイエンスに関する情報を発信します!よろしければチャンネル登録お願いします。大変励みになります。 - KLダイバージェンスで分布の差を見よう! #python #データ分析

まとめ-----------------------------★SNStwitter:https://twitter.com/intent/follow?screen_name=_K_DMコード置き場: https://k-dm.work/ja/-----------------------------★BGMKYATTOWORKS様https://kyattoworks.com/partytime/-----------------------------★このチャンネルについて週に一回ペースで機械学習・データサイエンスに関する情報を発信します!よろしければチャンネル登録お願いします。大変励みになります。

KLダイバージェンスで分布の差を見よう! #python #データ分析
2024年02月11日 
00:07:51 - 00:08:27