Altiora Petamus

Abstact 증권 거래 전략은 투자 회사들에게 중요한 역할을 한다. 하지만 복잡하고 역동적인 주식 시장에서 최적의 전략을 얻는 것은 어렵다. 이 논문에서는 주식거래를 최적화하기 위한 심층 강화 학습의 잠재력을 탐구한다. 30개의 종목을 기반으로 실험되었으며 일일 가격은 훈련과 거래 시장 환경으로 사용된다 . 심층 강화 학습 agent를 훈련시키고 적응적인 거래전략을 얻는다. 이 agent는 Dow Jones Industrial Average 와 traditional min-variance portfolio allocation strategy에 비교되어 평가된다. 제안된 심층 강화 학습 접근 방식은 급격한(분명한) 비율과 누적 수익 모두에서 두 가지 기준을 능가하는 것으로 나타났다.

abstract 기존의 text-to-image 접근방식은 description의 의미를 대략적으로 반영을 했지만 세세한 정보는 포함하지 못한다. 따라서 이 논문에서는 text descriptions의 조건에 따라 256x256이미지를 생성하기 위해 Stacked Generative Adversarial Networks (StackGAN)을 제안한다. 1. GAN은 주어진 text description을 기반으로 기초적인 shape와 color를 스케치하여 저해상도 이미지를 생성한다. 2. 위 단계의 결과 및 text descriptions를 입력으로 사용하고 사진의 사실적 세부정보로 고해상도 이미지를 생성한다. ( 1단계의 결과의 결함을 수정하고 개선하여 세부사항을 추가할 수 있다. ) 합성된 이미지의..

ConvNets의 내부는 어떻게 생겼을까? - 입력데이터 -> 변화 -> Class scores 의 과정에서 "변화" 는 어떤 것을 의미할까? ConvNet에서 가장 쉽게 알아볼 수 있는 것은 first Layer AlexNet의 경우 filter의 크기가 3x11x11의 형태를 취하고 있음 filter들이 입력이미지를 지나면서 내적하여 만들어진 것이 first Conv Layer first layer는 입력이미지와 직접 연산이 되기 때문에 (직접적인 관계가 있기 때문에) 시각화 하는 것만으로도 의미를 알 수 있다. 각각의 필터는 입력 이미지에서 다양한 각도와 위치에서의 보색을 기반으로 특징을 찾는다. 이전 슬라이드에서 이용한 시각화 기법을 두번째 layer와 세번째 layer에 적용하여 출력한 결과, ..

이전 포스트 ( 2. [EXPLORATION] 2. scikit-learn 내장 분류 모델 학습 ) 에서 scikit learn의 데이터셋과 모델을 이용한 간단한 분류 모델을 학습시켜보았다. 이번 포스트에서는 scikit learn의 모델들과 오차행렬에 대하여 기록하고자 한다. 1. Model 1-1) Decission Tree 데이터의 패턴을 분석하여 예측 가능한 패턴들의 조합으로 나타내며 그 형상이 나무와 같아 붙여진 이름 데이터를 이용한 '스무고개' 분류 / 회귀 모두 예측 가능 - 분류의 경우 데이터와 해당 label을 참고하여 terminal node에 가장 빈도가 높은 범주에 데이터 분류 - 회귀의 경우 해당 terminal node의 종속변수값의 평균을 예측값으로 반환하지만 그 종류는 ter..

이번주 학습 내용 Fundamentals 1. 멀티태스킹, 병렬 프로그래밍, 멀티스레드, 멀티프로세스의 이해와 응용 제 1회 Hackathon Fundamentals 1. 멀티태스킹, 병렬 프로그래밍, 멀티스레드, 멀티프로세스의 이해와 응용 우리가 당연하다고 생각하고 이용하던 멀티태스킹의 작동원리와 그 응용 방법을 배울 수 있었다. 평소엔 전혀 알지 못했던 정보들을 습득할 수 있었다. 컴퓨터의 작동 방식에 대하여 깊게 공부해 본적이 없던 나로서는 익숙하지 않았기에 이해하는 것이 쉽지는 않았다. 배운 내용들을 이해하고 익숙하게 다룰수 있게 된다면 프로그래밍을 하는데 있어서 더욱 높은 수준의 퍼포먼스를 발휘할 수 있을 것 같다. 제 1회 Hackathon www.kaggle.com/c/competitive-..

이번주 학습 내용 Fundamentals 1. 파이썬 객체지향 프로그래밍 (OOP : Object Oriented Programming ) 2. 탐색적 데이터 분석 (EDA : Exploratory Data Analysis ) 3. 비지도학습 ( Unsupervised Learning) Exploration 1. 이미지 데이터 Embedding - 닮은꼴 연예인 2. 추천시스템(Recommender System) 구현 - Movielens 영화 추천 Fundamentals 1. 파이썬 객체지향 프로그래밍 (OOP : Object Oriented Programming ) " Everything in Python is an object, and almost everything has attributes an..

scikit-learn의 내장 dataset을 활용한 간단한 분류 모델을 학습시켜보며 핵심내용과 코드에 대한 설명을 적는다. 1. scikit - learn - 파이썬 기반 머신러닝 분야에서 많이 쓰이는 라이브러리 - 머신러닝의 다양한 알고리즘과 편리한 프레임워크 제공 - 다양한 datasets , Model 내장 scikit-learn.org/stable/datasets.html 7. Dataset loading utilities — scikit-learn 0.24.1 documentation scikit-learn.org 2. iris dataset classification model 2-1. EDA from sklearn.datasets import load_iris iris = load_iris..

이번 포스트에서는 회의록이 아닌 회고록을 작성하려 한다. ssac x aiffel에 참여하여 공부한지 어느덧 3주가 지났다. 3주동안 내 실력이 늘었다고 하면 거짓말이다. 물론 매일 노드와 활동을 통해 공부하는 시간은 정말 많다. 하지만 하루하루의 목표는 그저 그 날 해당 노드의 수행이 목표일뿐 '공부'는 아니었던 것 같다. 한 주의 마무리를 지으며 지금까지의 행보를 되돌아 보는 이 순간, 그간 내 자신의 태도를 보면 부끄럽지 않을 수 없다. 내가 발전하고 성장할 수 있도록 열심히 도와주시는 퍼실리레이터님들, 운영진 분들, 동기분들을 보아서라도 고쳐야 할 점이다. 한창 나태해지고 있을 즈음 머리속에 스쳐지나간 생각은 " '이런식으로 계속하다간 6개월 후에 ssac x aiffel 에서 인공지능 공부과정을..

먼저 이글은 제가 직접 작성한 것이 아닌 aiffel 강남 1기 선배님께서 작성하신 것을 밝힙니다. 감사의 뜻을 전합니다. 1. 화면캡쳐 📸 전체 화면 캡쳐 : Print Screen 부분 화면 캡쳐 : Shift + Print Screen (십자모양으로 영역을 설정할 수 있습니다. 부분 화면 캡쳐를 이용하면 슬랙메세지창/노션에 바로 붙여넣기(Ctrl+ v) 가능합니다.) 오류 코드 공유할 때 요긴하게 사용하실 수 있어요. 2. 터미널 명령어 단축설정 🔗 vi(vim)으로 .bashrc 파일을 수정해봅시다. #실행 $ vi ~/.bashrc #실행 $ vi ~/.bashrc 혹시 vi를 사용해본적 없으신가요? 토글을 눌러주세요. 더보기 터미널에서 쓰는 메모장이라고 생각하시면 편합니다. vi 사용법은 인터..

이곳에 MNIIST와 가위, 바위, 보의 사진을 분류하는 간단한 인공지능을 구현하는 내용을 기록한다. 소개 데이터 준비 -> 딥러닝 네트워크 설계 -> 학습 -> 테스트(평가)의 순서대로 설명과 함께 코드를 살펴본다. 이 글에서는 keras(TensorFlow의 표준 API)를 이용한다. 본문 1. MNIST를 이용한 손글씨 분류기 구현 - 데이터 구조 MNIST는 숫자 손글씨에 대한 data를 가지고 있으며 60,000장의 Train set과 10,000장의 Test set으로 구성되어 있다. 각각의 image는 28 x 28의 크기로 구성되어 있다. Train set은 250명의 사용자가 직접 작성한 것이고 , test set은 또 다른 250명의 사용자가 작성한 data이다. 자세한 정보는 아래 링..