Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Sign up for free
Menu
Search
Features
All features
Private URLs
Password Protection
Custom URLS
Scheduled publishing
Remove Branding
Restrict embedding
Deck Collections
Notes
Features
All features
Private URLs
Password Protection
Custom URLS
Scheduled publishing
Remove Branding
Restrict embedding
Deck Collections
Notes
Explore
Featured decks
Featured speakers
Programming
Technology
Storyboards
Explore
Featured decks
Featured speakers
Programming
Technology
Storyboards
Pricing
Search
Sign in
Sign up for free
vol4_ねこIoTLT_ゴミ箱に捨てる前に 猫ヒゲロギング
Search
1027kg
October 21, 2020
Technology
130
0
Share
Embed
Copy iframe code
Copy JS code
Copy link
Start on current slide
vol4_ねこIoTLT_ゴミ箱に捨てる前に 猫ヒゲロギング
AWS Forecastを使った猫のヒゲが次いつ落ちてくるかの時系列予測実験
1027kg
October 21, 2020
More Decks by 1027kg
See All by 1027kg
vol11_ねこIoTLT_お遊びVibeCoding
1027kg
0
380
vol6_ねこIoTLT_猫の健康と備えの話
1027kg
0
1k
vol5_ねこIoTLT_もしもの為の迷子対策 Bluetoothタグ活用
1027kg
0
530
vol3_ねこIoTLT_猫のオシッコサインを お手軽に調べてみる話
1027kg
0
110
Other Decks in Technology
See All in Technology
PagerDuty Tech Hub-鳴らすけれど、人は動かない
ezaki
0
180
コンテナ運用におけるネットワーク・コンテナコストの削減方法/How to Reduce Network and Container Costs in Container Operations
masakiokuda
2
300
V8のArray.prototype.flatを最大約20倍速くするまでと、巨大OSSへの大規模コミットの道のり
riyaamemiya
0
300
USB PDを使ってスマホを労わりたい
raspython3
0
180
PHPカンファレンス関西の招待状 / Invitation to PHP Conference Kansai
ykanoh
0
210
ストレスなくAIと付き合いたい!こんなときどうしてる?
namiki64
4
610
M5Stackで作る BLEマウス GPSログの世界
tomokusaba
PRO
0
440
実践!Cloud Run ハンズオン!! / Cloud Run handson
y0hgi
2
300
Running Kotlin + Quarkus with Lambda
nealle
1
4k
Railsで挑む大量データ永続化 〜600億件を永続化するための設計とボトルネックとの戦い〜
occhi
1
760
Local CI × GitHub Actions
gogutan
3
230
Persisting Massive Data with Rails ~Designing for 60 billion rows, and fighting the bottlenecks~ Railsで挑む大量データ永続化 〜600億件を永続化するための設計とボトルネックとの戦い〜
occhi
0
740
Featured
See All Featured
Have SEOs Ruined the Internet? - User Awareness of SEO in 2025
akashhashmi
0
520
HU Berlin: Industrial-Strength Natural Language Processing with spaCy and Prodigy
inesmontani
PRO
0
760
The Director’s Chair: Orchestrating AI for Truly Effective Learning
tmiket
1
330
Making Projects Easy
brettharned
120
6.8k
Exploring the relationship between traditional SERPs and Gen AI search
raygrieselhuber
PRO
4
4.4k
The Success of Rails: Ensuring Growth for the Next 100 Years
eileencodes
47
8.4k
Fantastic passwords and where to find them - at NoRuKo
philnash
53
4k
The Curse of the Amulet
leimatthew05
3
16k
Darren the Foodie - Storyboard
khoart
PRO
4
4k
Future Trends and Review - Lecture 12 - Web Technologies (1019888BNR)
signer
PRO
0
3.8k
Rebuilding a faster, lazier Slack
samanthasiow
85
9.7k
ピンチをチャンスに:未来をつくるプロダクトロードマップ #pmconf2020
aki_iinuma
128
56k
Transcript
ねこIoTLT vol.4 ゴミ箱に捨てる前に 猫ヒゲロギング ~ AWS Forecastでの時系列予測 ~
自己紹介: 名前 : keiji(本体)@1027kg やっていること : 機械学習を中心に時々Webのバックエンドを書いています
名前 : える ♂ 種類 : キジトラ 身体情報 : 約7歳
5.1kg 性格 : スーパーチキン内弁慶
どうやらヒゲは 5種類 あるらしい 猫ヒゲについて ④頬骨毛 (きょうこつも う) 1~3本 ⑤頭下毛 (とうかもう)
数本 ③口角毛 (こうかくもう) 1~3本 ①上毛 (じょうもう) 5~7本 ②上唇毛 (じょうしんもう) 10数本 ※本数には個体差があります。
猫ヒゲ発見はちょっとしたイベント 髪の毛が抜けるのと同じく、猫のヒゲが落ちる タイミングは分からない。 太い毛なので割と見つけやすいが、注意してい ないと見落としてしまうアイテム。 掃除などをしている最中に発見できるものだ が、飼い主にとっては嬉しいイベントである。 (四つ葉のクローバーをイメージ)
ライフログの先駆者ゴードン・ベルさんに影響 を受けた変態なので、うちに来てからの「猫ヒ ゲ」はすべて保管しておりその日付も記録して ます。 今回はこのログデータを元に 「 いつ猫ヒゲが出現するのか 」 の予測を行います。 猫ヒゲを見つけたらとにかく記録
米マイクロソフト研究所 ゴードン・ベル主席研究員
猫ヒゲのログデータ性質 うちに猫が来て今まで発見した猫ヒゲの総数は 4 年 3 ヶ月 で 104本 です 実際に記録したデータはこんなイメージです
{ item_id: ID, timestamp: ヒゲを見つけた日, target_value: 0.0(なかった)か1.0(あった) } (記録は面倒だったので実際はGoogleHomeにIFTTTアプレット経由で声 にてGoogleCalに記録しています) (平均で計算すると14.91日に1本落ちてる計算)
AWS Forecastにデータを食わせる 時系列データから予測が行える「AWS Forecast」を利用 RETAIL ドメイン – 小売の需要予測 INVENTORY_PLANNING ドメイン
– サプライチェーンとインベントリの計画 EC2 CAPACITY ドメイン – Amazon EC2 キャパシティの予測 WORK_FORCE ドメイン – 従業員の計画 WEB_TRAFFIC ドメイン – 今後のウェブトラフィックの見積もり METRICS ドメイン – 収益およびキャッシュフローなどの予測メトリクス CUSTOM ドメイン – その他すべての時系列予測のタイプ 今回はこのドメインを使いました •提供されている時系列予測ドメイン
AWS Forecastでデータを予測してみよう 1. Dataset(データセット)の選択 S3に選択したモデルに対応したCSV形式のデータを置いて予測の実行 ※選択するアルゴリズムやモデルによってはメタデータもアタッチする必要あり ※今回のカスタムモデルでは単純なデータだが1,000以上のデータセットが必須 2. Predictor(推論モデル)の選択 標準はAutoMLだが、めちゃ遅かった(数時間)ので今回は「CNN-QR」を選択
※ここは解決したいタスクによってモデルを選ぶ 3. Forecast(予測)の生成 2のモデルを使用して予測データを作る 予測のデータは重みをセット出来る
けっかはっぴょー(Forecastの母 10/15にヒゲが出現 するかも… (それでも0.5139) Forecastの母
けっかはっぴょー(実績 10/16に ヒゲ発見!!
まとめ 1. 役に立つかは後で考えてとにかくデータは貯めておくこと 2. AWSF Forecast のPredict(推論)とForecast(予測)は めっちゃ時間かかる ・トータルで3時間ぐらい掛かったので猫と遊びながら待ちましょう ・パラメータは個別にイジれるのでepochなど変えてみよう
ご清聴有難う御座いました