Jetson nano:始めました。OSをマイクロSDカードに入れます。

こんにちは Keita_Nakamori @ (´・ω・`)です。

Jetson Nano を入手いたしました。ラズパイの4倍の性能と伺っております。

考えるな!まずやってみろ! の精神で、やっていきます。

OSをマイクロSDカードに入れる

Nvidiaの公式ページに従って、OSをマイクロSDカードに入れていきます。

1.Jetson Nano Developer KitのSDカードイメージを ダウンロード

jetson-nano-sd-r32.2-2019-07-16.zip がダウンロードされます。

2.Windows用のSDメモリカードフォーマッタをダウンロード

SDCardFormatterv5_WinEN.zip がダウンロードされます。

解凍して、インストールしてフォーマッターを起動して、SDカードをクイックフォーマットします。ボリュームラベルは空白でOKです。

3.Etcherをダウンロード

balenaEtcher-Setup-1.5.52.exe がダウンロードされます。

 

この実行ファイルを実行してインストール、および起動します。

OSイメージとして、先程ダウンロードしたjetson-nano-sd-r32.2-2019-07-16.zipを指定します。zipのままでOKです。

マイクロSDカードのドライブを指定します。

FLASHを押すと書き込みが開始されます。20分程度かかりました。そこらへんに転がっていたSDカードリーダーなのでUSB1.0だったかもしれません。

Flash Complete! と表示されれば完了です。

次回

さて、次回はこのマイクロSDカードをJetson Nanoに突っ込んで起動させてみます。

 

購入忘れ物

と、その前に・・・Jetson Nanoの性能をフルに引き出すためには、ACアダプタで5V 4Aを安定的に供給する必要があるとのこと。Amazonでポチりましょう。

 

さらに、このACアダプタを使用する場合は、ジャンパーを短絡させる必要があるとのこと。Amazonでポチりましょう。

 

なんだかアフィリエイターみたいになってしまいましたが。本当に必要なモノなので、ポチってください。

 

 

 

Python: sklearn サポートベクター分類

sklearnのサポートベクター分類の一般的なやり方です。

線形分類とか

カーネルに操作を加えた分類とか

スクリプト

 

Python: sklearn プリ処理

Sklearnのプリ処理の部分をメモっておきます。

スクリプト

 

Python:matplotlib

可視化の基本 matplotlibです。

貼っておきます。

matplotlib_taxt_for_data_science.html

matplotlib_taxt_for_data_science.ipynb

スクリプト

 

Python : pandas

どーも Keita_Nakamori(´・ω・`)です。pandas の基本操作を一通りやりましたので、置いておきます。

pandas_for_text_of _data_science.html

pandas_for_text_of _data_science.ipynb

べた貼りです。上記のhtmlのほうが見やすいです。

 

Python : numpy

どーもこんにちは、Keita_Nakamoriです(´・ω・`)

Pythonを色々やってきた中で、何かしらマイルストーン的なものがほしいと思い

Python 3 エンジニア認定データ分析試験

なるものを受けてみようと思っております。

データ分析というからには、numpy , pandas, matplotlib, scikit-learn くらいは出るんだろうなあと漠然と考えていますが、今日はnumpyを学習したので、備忘録に貼っておきます。

numpy_text_for_data_analisys_with_Python.html

numpy_text_for_data_analisys_with_Python.zip

機械学習:sklearnで30日間の株価予測をやってみる

前回、pandas_datareaderで株価を取得してpandasで統計処理してmatplotlibで可視化するということをやりました。

今回は機械学習をやっていきましょう。

理屈:

ある1日の株価データのうち、High Low Open Close Volume AdjClose の6データと、さらにOpen Close から算出されるエンジニアリングデータ change を含めて、計7つのデータを入力データとします。(ここまでは前回の話)

その正解データとして、30日後の終値Closeを定義します。

数学モデルは線形回帰モデルを使います。複数の入力データがあるので重回帰分析と呼ばれています。

  • y : 正解データ
  • x1~x7:入力データ
  • a1~a7:回帰パラメータ 偏回帰係数とも呼ばれます
  • error:入力データと正解データの差(誤差) 数学モデル上では切片に相当します

y = (a1*x1) + (a2*x2) + (a3*x3) + (a4*x4) + (a5*x5) + (a6*x6) + (a7*x7) + ierror

たくさんの入力データ(1日1データ)をこのモデルに入力して、正解データと入力データの Σ(ai*xi) の部分との差 errorがトータルでできるだけ小さくなるように、最小二乗法を使って ai を決めていきます。

その結果、予測モデルが確定しますので、30日前から現在までの入力データを代入すれば、それぞれの日に対して30日後の終値が予測されます。

 

# 終値を30日間前にずらしたcolumnを作成します。

ずらされた部分はNaNという値なしの状態で埋められます。

# 入力データを作成します

# 正解データを定義します

# データを訓練用と検証用に分割して、学習モデルを選択して、学習させて、検証します

精度:92% って出ています。(´・ω・`)

# 過去30日間の入力データ predict_data から、それぞれ30日後の未来終値データ predicted_dataを予測します。

# 可視化:予測結果