「Pokemon GO」などを運営する米Nianticは4月14日、最新のAR技術を投入したスマートフォン向けの位置情報ゲーム「Peridot」（ペリドット）を発表した。今後、数週間かけて技術検証を行う予定で、日本でのリリース時期は未定としている。 数千年の眠りから覚めたペリドット（愛称：ドット）と呼ばれる生き物を絶滅の危機から救うため、育てて繁殖させる完全オリジナルの新作ゲーム。ペリドットは「散歩に行きたい」「関心のある場所を訪問したい」などとユーザーにねだり、クエストのように望みを叶えることで育成する。 大人になったペリドットは、「生息地」（Habitat）と呼ばれる場所に「巣」（nest）を作って繁殖する。生息地はポケモンGOの「ポケストップ」や「ジム」になっている場所で、巣の特徴によって子供の外観などが決まるという。例えばチーター柄の巣ではチーター柄の子供が生まれる。
ARモデルのパラメータ推定法 自己回帰モデル（AR法）を用いたパワースペクトル密度算出 その１ 少しおさらいと確認をしておきます。ストレス指標であるLF／HFは、交感神経活動と副交感神経活動のバランスを心拍変動の時系列データから計算したものでした。この自律神経バランスとしてのストレス指標を計算するためには、まず心拍変動時系列からパワースペクトル密度を算出する必要がありました。パワースペクトル密度はウィーナーヒンチンの定理を利用して自己相関関数からフーリエ変換により求める他に、自己回帰モデル（ARモデル）を利用して求めることもできます。ここではこのARモデルを利用する方法を解説します。 自律神経指標として心拍変動時系列の周波数解析をする文献では、特に断りもなく「心拍変動時系列データを自己回帰モデル（AR法）で分析すると次の式のパワースペクトルP(ｆ)を得る」とさらりと以下の式を出します。 こ
これまで、R で時系列解析を行ってきたので、Python でもできるよう手習いまで、コードを手で打ってみる。 1. ランダム・ウォーク と 移動平均線 時系列データ生成（ランダムウォーク系列） （参考） 分析技術とビジネスインテリジェンス 「Python：時系列分析（その１）」 上記サイトからスクリプトを借用します （※ plt.show() を最後に追加） import numpy as np randn = np.random.randn from pandas import * import matplotlib.pyplot as plt #■ランダムウォーク系列データの作成 ts = Series(randn(1000), index = DateRange('2000/1/1', periods = 1000)) ts = ts.cumsum() #■単純移動平均 長短のトレン
AR(1)モデルでの自己相関（Autocorrelation）プロットと偏自己相関（Partial Autocorrelation）プロット ここからは、「過去の値とどの程度の相関があるか」を定量的に評価するための手法である自己相関（Autocorrelation）プロットと偏自己相関（Partial Autocorrelation）プロットを見てみましょう。 自己相関は、当日以前のデータの影響をどの程度受けているか（相関性があるか）を表すもので、偏自己相関は当日と該当日の2点の間の相関性を表すものです。 （1）のパラメータφ＝1.01の時の自己相関と偏自己相関のプロットを見てみましょう（In [30]～In [37]）。 In [28]: # 前のグラフを閉じる In [29]: plt.close() In [30]: # 自己相関（Autocorrelation）プロット In [3
確率ロボティクス (プレミアムブックス版)posted with カエレバSebastian Thrun,Wolfram Burgard,Dieter Fox マイナビ出版 2016-09-21 Amazonで探す楽天市場で探すYahooショッピングで探す 目次 目次 本文 参考資料 MyEnigma Supporters 本文 移動ロボットのシステムに Simultaneous Localization And Mapping (SLAM) の技術を 組み込むことには いくつかの利点がある． 一つ目は， 自己位置推定に 外界センサのデータを利用できることである． カメラや Laser Range Finder(LRF) などの 外界センサの測定データは， 基本的に周辺環境の地図構築にしか利用することができない． 一方，一般的な自己位置推定の方法では ジャイロやホイールエンコーダなどの 内
前回の記事では計量時系列分析とは何ぞや？みたいなところをやりましたので、今回はいろはのイともいえるARIMAまわりから始めていこうと思います。 ということで改めて、使用テキストはいつものこちらです。 経済・ファイナンスデータの計量時系列分析 (統計ライブラリー) 作者: 沖本竜義出版社/メーカー: 朝倉書店発売日: 2010/02/01メディア: 単行本購入: 4人 クリック: 101回この商品を含むブログ (6件) を見る 以下タイトルにのっとってRで各モデルの挙動を見ながらやっていきます。 必要なRパッケージ {forecast}をインストールして展開して下さい。Rそのものの初心者向け説明はここでは全面的に割愛するので、適宜何かしらの初心者向け説明をご参照あれ。 今回のモデルで目指すもの 前回の記事では、要は「自己相関が大事よー」という話を何度もしました。ということは、時系列モデリング
一番売れてる株の雑誌ZAiが作った「株」入門 改訂版 作者: ダイヤモンド・ザイ編集部出版社/メーカー: ダイヤモンド社発売日: 2009/03/27メディア: 単行本購入: 5人 クリック: 71回この商品を含むブログ (13件) を見る 株価予測 欧州の経済不安により円高/日本株安が深刻になっています。トレーダーとしてはこのBigWaveを見過ごす訳にはいかないですが、「もうはまだなり、まだはもうなり」という言葉があるように投資のタイミングは非常に難しいものです。ここでは投資理論を語るのではなく、機械学習で株価を予測する事を試してみます。今回採用する予測Modelは自己回帰Model(AR)です。ARは時系列データ解析によく用いられます。AR処理はR言語のar関数を用います。 AR(AutoRegressive)Model ARModel - 自己回帰モデル ARModelは時系列解析
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
