ウォール街のランダム・ウォーカー【年代別推奨ポートフォリオ】

インデックス投資における資産運用、アセットアロケーションの原則については以下の記事で紹介しました。それでは、インデックス投資において具体的にどのようなポートフォリオを組めば良いのでしょうか。この記事では本書で推奨されている年代別のポートフォリオついて説明します。

ウォール街のランダム・ウォーカー【資産運用の5つの原則】

以前の記事で、インデックス投資の定番書である「ウォール街のランダム・ウォーカー」を紹介しました。そこでは長期的にインデックスファンドに投資することの優位性について説明しましたが、実際に資産を運用する際にはどのような原則に従って投資するべきでしょうか。この記事では資産運用、資産配分（アセットアロケーション）の原則について説明します。

ウォール街のランダム・ウォーカー

株式投資の不滅の真理" title="ウォール街のランダム・ウォーカー 株式投資の不滅の真理">ウォール街のランダム・ウォーカー 株式投資の不滅の真理作者: バートン・マルキール,井手正介出版社/メーカー: 日本経済新聞出版社発売日: 2019/07/20メディア: 単行本この商品を含むブログを見る 株式投資の絶対的定番書 ひたすらインデックスファンドに投資すべき 株式市場のランダムウォーク テクニカル分析 ファンダメンタル分析 プロの投資家の成績表 インデックス投資 株式投資の絶対的定番書 株式投資に挑戦しようと考えているけれども、何を買うべきか悩んでいる人はいませんか？ この本は株式投資に…

そろばん経験者の数字の見え方

数字の見え方 暗算の仕方 足し算 掛け算 そろばんは役に立つのか 数字の見え方 そろばん経験者は、数字を見たときにそろばんの玉を頭の中にイメージしています。 とはいっても私の場合は鮮明な玉が見えるわけではなく、数字によって大きさの違うぼやっとした玉が見えています。 今となっては、そろばんの玉を思い描かずに数字を見ることはできません。 例）357のイメージ 暗算の仕方 暗算をするときもそろばんを頭の中にイメージして計算しています。 足し算 上の位から順に足していきます。 例）357+468 頭の中で357をイメージ →100の位に4を足す（頭の中で757をイメージ） →10の位に6を足す（頭の中…

有限仮説集合がPAC学習可能であることの証明

hiden-cubist.hateblo.jp 以前の記事で、有限仮説集合と実現可能性を仮定した場合、十分に訓練データが多ければ経験損失最小化によって近似的に期待損失を小さくできることを示しました。今回はこれを一般化したPAC学習について述べた後、実現可能性の仮定を外すことを考えます。 PAC学習可能 一様収束 Hoeffdingの不等式 有限仮説集合はPAC学習可能 まとめ 参考文献

IssueとPull Requestを出す時のメモ

OSSにIssueとPull Requestを出す手順をメモしておきます。慣れれば手順は簡単なので、自分ができることから積極的に色々なOSSに貢献していきたいですね。

ベイズ推定とグラフィカルモデル Section10 Worksheet

ベイズ推定とグラフィカルモデルの略解をまとめています。あくまで個人のメモですので、必ずしも正しい保証はありません。もしミスがある場合は教えていただければ幸いです。今回はSection10です。

過学習を防ぐ2つの方法！〜統計的機械学習の基礎〜

過学習を防ぐためには訓練データを増やせば良い！と言われることがありますがそれは何故でしょうか？ここでは統計的機械学習の理論から過学習を防ぐ方法について考えてみようと思います。

ベイズ推定とグラフィカルモデル Section9 Worksheet

ベイズ推定とグラフィカルモデルの略解をまとめています。あくまで個人のメモですので、必ずしも正しい保証はありません。もしミスがある場合は教えていただければ幸いです。今回はSection9です。

ベイズ推定とグラフィカルモデル Section8 Worksheet

ベイズ推定とグラフィカルモデルの略解をまとめています。あくまで個人のメモですので、必ずしも正しい保証はありません。もしミスがある場合は教えていただければ幸いです。今回はSection8です。

ベイズ推定とグラフィカルモデル Section7 Worksheet

ベイズ推定とグラフィカルモデルの略解をまとめています。あくまで個人のメモですので、必ずしも正しい保証はありません。もしミスがある場合は教えていただければ幸いです。今回はSection7です。

ベイズ推定とグラフィカルモデル Section6 Worksheet

ベイズ推定とグラフィカルモデルの略解をまとめています。あくまで個人のメモですので、必ずしも正しい保証はありません。もしミスがある場合は教えていただければ幸いです。Section5にはWorksheetが無いため、次はSection6です。

ベイズ推定とグラフィカルモデル Section4 Worksheet

ベイズ推定とグラフィカルモデルの略解をまとめています。あくまで個人のメモですので、必ずしも正しい保証はありません。もしミスがある場合は教えていただければ幸いです。今回はSection4です。

ベイズ推定とグラフィカルモデル Section3 Worksheet

ベイズ推定とグラフィカルモデルの略解をまとめています。あくまで個人のメモですので、必ずしも正しい保証はありません。もしミスがある場合は教えていただければ幸いです。今回はSection3です。

ベイズ推定とグラフィカルモデル Section2 Worksheet

ベイズ推定とグラフィカルモデルの略解をまとめています。あくまで個人のメモですので、必ずしも正しい保証はありません。もしミスがある場合は教えていただければ幸いです。Section1にはWorksheetが無いため、Section2からです。

ベイズ推定とグラフィカルモデル まとめ

しばらく前に、Udemyというオンラインコースの一つである、ベイズ推定とグラフィカルモデル:コンピュータビジョン基礎1 https://www.udemy.com/computervision/ を視聴し大変良かったので紹介したいと思います。

深層学習第3章

深層学習（機械学習プロフェッショナルシリーズ、岡谷貴之）を読み進めていきます。第3章のテーマは確率的勾配降下法です。 ネットワークの学習には様々なノウハウがありますが、厳密な理論が伴っていないものが多く、性能を上げるためにどのノウハウを利用するべきかという点や、どれだけ性能が上がるのかが分からない点で実装する時に問題になりそうです。

深層学習第2章

引き続き、深層学習（機械学習プロフェッショナルシリーズ、岡谷貴之）の第2章のメモです。第2章のテーマは順伝播型ネットワークです。 大体はすんなり読めましたが、初めてTexを使って入力したので手間取ってしまいました。少しずつ慣れていきたいところです。

深層学習第1章

やや今更感ありますが、深層学習（機械学習プロフェッショナルシリーズ、岡谷貴之）を読み進めていくことにしたので、自分が気になった点を記録していこうと思います。 まずは第1章から。