import tensorflow as tf from tensorflow.keras.datasets import fashion_mnist import numpy as np import matplotlib.pyplot as plt # データの読み込み (X_train, y_train), (X_test, y_test) = fashion_mnist.load_data() # クラス名 class_names = [‘Tシャツ’, ‘ズボン’, ‘セーター’, ‘ドレス’, ‘コート’, ‘サンダル’, ‘シャツ’, ‘スニーカー’, ‘バッグ’, ‘ブーツ’] # データの確認 print(f”訓練データ: {X_train.shape}”) print(f”テストデータ: {X_test.shape}”) # サンプル画像の表示 fig, axes = plt.subplots(2, 5, figsize=(12, 5)) for i, ax in enumerate(axes.flat): ax.imshow(X_train[i], cmap=’gray’) ax.set_title(class_names[y_train[i]]) ax.axis(‘off’) plt.tight_layout() plt.show()

# 前処理 X_train = X_train.reshape(-1, 28, 28, 1).astype(‘float32’) / 255.0 X_test = X_test.reshape(-1, 28, 28, 1).astype(‘float32′) / 255.0 # One-hotエンコーディング from tensorflow.keras.utils import to_categorical y_train_cat = to_categorical(y_train, 10) y_test_cat = to_categorical(y_test, 10) # TODO: ここにCNNモデルを構築 from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout, BatchNormalization model = Sequential([ # あなたのコードをここに追加 ]) # コンパイルと学習 model.compile(optimizer=’adam’, loss=’categorical_crossentropy’, metrics=[‘accuracy’]) # TODO: 学習を実行し、92%以上を目指す

# yfinanceのインストール（Google Colabで実行） !pip install yfinance -q import yfinance as yf import numpy as np import pandas as pd import matplotlib.pyplot as plt # 株価データの取得（例：Apple） ticker = “AAPL” data = yf.download(ticker, start=”2020-01-01″, end=”2024-01-01″) # 終値を使用 prices = data[‘Close’].values print(f”データ数: {len(prices)}”) print(f”期間: {data.index[0]} 〜 {data.index[-1]}”) # プロット plt.figure(figsize=(12, 4)) plt.plot(data.index, prices) plt.title(f'{ticker} 株価推移’) plt.xlabel(‘日付’) plt.ylabel(‘価格 ($)’) plt.show()

from sklearn.preprocessing import MinMaxScaler # 正規化 scaler = MinMaxScaler() prices_scaled = scaler.fit_transform(prices.reshape(-1, 1)) # シーケンスデータの作成 def create_sequences(data, seq_length): X, y = [], [] for i in range(len(data) – seq_length): X.append(data[i:i+seq_length]) y.append(data[i+seq_length]) return np.array(X), np.array(y) SEQ_LENGTH = 60 X, y = create_sequences(prices_scaled, SEQ_LENGTH) # 訓練/テスト分割（時系列なのでシャッフルしない） split = int(len(X) * 0.8) X_train, X_test = X[:split], X[split:] y_train, y_test = y[:split], y[split:] print(f”X_train: {X_train.shape}, y_train: {y_train.shape}”) # TODO: LSTMモデルを構築 from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout model = Sequential([ # あなたのコードをここに追加 ]) # TODO: 学習を実行し、予測結果を可視化

# Kuzushiji-49データセット import tensorflow as tf import numpy as np # データのダウンロード !wget -q http://codh.rois.ac.jp/kmnist/dataset/k49/k49-train-imgs.npz !wget -q http://codh.rois.ac.jp/kmnist/dataset/k49/k49-train-labels.npz !wget -q http://codh.rois.ac.jp/kmnist/dataset/k49/k49-test-imgs.npz !wget -q http://codh.rois.ac.jp/kmnist/dataset/k49/k49-test-labels.npz # データの読み込み X_train = np.load(‘k49-train-imgs.npz’)[‘arr_0’] y_train = np.load(‘k49-train-labels.npz’)[‘arr_0’] X_test = np.load(‘k49-test-imgs.npz’)[‘arr_0’] y_test = np.load(‘k49-test-labels.npz’)[‘arr_0’] print(f”訓練データ: {X_train.shape}”) print(f”テストデータ: {X_test.shape}”) print(f”クラス数: {len(np.unique(y_train))}”)