<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by DU on Medium]]></title>
        <description><![CDATA[Stories by DU on Medium]]></description>
        <link>https://medium.com/@daichiueno?source=rss-62de97708c16------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*Gn8ds6P0wcrNPqdWEzlCCw@2x.jpeg</url>
            <title>Stories by DU on Medium</title>
            <link>https://medium.com/@daichiueno?source=rss-62de97708c16------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 01:11:37 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@daichiueno/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[“AI” has two meaning]]></title>
            <description><![CDATA[<div class="medium-feed-item"><p class="medium-feed-image"><a href="https://medium.com/@daichiueno/ai-has-two-meaning-705996e6c5fd?source=rss-62de97708c16------2"><img src="https://cdn-images-1.medium.com/max/1800/0*9D0I3QfRruSrIpFs.jpg" width="1800"></a></p><p class="medium-feed-snippet">I had a vague consideration about &#x201C;AI&#x201D; when I delivered AI Project in my firm. But that thinking have been systematized already by&#x2026;</p><p class="medium-feed-link"><a href="https://medium.com/@daichiueno/ai-has-two-meaning-705996e6c5fd?source=rss-62de97708c16------2">Continue reading on Medium »</a></p></div>]]></description>
            <link>https://medium.com/@daichiueno/ai-has-two-meaning-705996e6c5fd?source=rss-62de97708c16------2</link>
            <guid isPermaLink="false">https://medium.com/p/705996e6c5fd</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[augmented-intelligence]]></category>
            <category><![CDATA[big-data]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[DU]]></dc:creator>
            <pubDate>Sat, 24 Aug 2019 01:43:57 GMT</pubDate>
            <atom:updated>2019-08-24T01:43:57.527Z</atom:updated>
        </item>
        <item>
            <title><![CDATA[AIの二つの意味]]></title>
            <description><![CDATA[<div class="medium-feed-item"><p class="medium-feed-image"><a href="https://medium.com/@daichiueno/ai%E3%81%AE%E4%BA%8C%E3%81%A4%E3%81%AE%E6%84%8F%E5%91%B3-467e46d8e347?source=rss-62de97708c16------2"><img src="https://cdn-images-1.medium.com/max/1800/0*9D0I3QfRruSrIpFs.jpg" width="1800"></a></p><p class="medium-feed-snippet">AI&#x6D3B;&#x7528;&#x7CFB;&#x306E;&#x30D7;&#x30ED;&#x30B8;&#x30A7;&#x30AF;&#x30C8;&#x3092;&#x9032;&#x3081;&#x308B;&#x4E2D;&#x3067;&#x30E2;&#x30E4;&#x30C3;&#x3068;&#x3057;&#x3066;&#x3044;&#x305F;&#x3053;&#x3068;&#x304C;&#x3042;&#x3063;&#x305F;&#x306E;&#x3067;&#x3059;&#x304C;&#x3001;&#x305D;&#x308C;&#x304C;&#x65E2;&#x306B;&#x6982;&#x5FF5;&#x5316;&#x3055;&#x308C;&#x3066;&#x3044;&#x3066;&#x81EA;&#x8EAB;&#x306E;&#x4E2D;&#x3067;&#x8179;&#x843D;&#x3061;&#x3057;&#x305F;&#x306E;&#x3067;&#x5099;&#x5FD8;&#x9332;&#x3068;&#x3057;&#x3066;&#x6574;&#x7406;&#x3044;&#x305F;&#x3057;&#x307E;&#x3059;&#x3002;</p><p class="medium-feed-link"><a href="https://medium.com/@daichiueno/ai%E3%81%AE%E4%BA%8C%E3%81%A4%E3%81%AE%E6%84%8F%E5%91%B3-467e46d8e347?source=rss-62de97708c16------2">Continue reading on Medium »</a></p></div>]]></description>
            <link>https://medium.com/@daichiueno/ai%E3%81%AE%E4%BA%8C%E3%81%A4%E3%81%AE%E6%84%8F%E5%91%B3-467e46d8e347?source=rss-62de97708c16------2</link>
            <guid isPermaLink="false">https://medium.com/p/467e46d8e347</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[augmented-intelligence]]></category>
            <dc:creator><![CDATA[DU]]></dc:creator>
            <pubDate>Thu, 22 Aug 2019 01:14:31 GMT</pubDate>
            <atom:updated>2019-08-22T01:32:01.157Z</atom:updated>
        </item>
        <item>
            <title><![CDATA[【Kaggle】Text Mining Bag of Words Meets Bags of Popcorn]]></title>
            <link>https://medium.com/@daichiueno/kaggle-text-mining-bag-of-words-meets-bags-of-popcorn-8a6972409171?source=rss-62de97708c16------2</link>
            <guid isPermaLink="false">https://medium.com/p/8a6972409171</guid>
            <category><![CDATA[python]]></category>
            <category><![CDATA[kaggle]]></category>
            <dc:creator><![CDATA[DU]]></dc:creator>
            <pubDate>Fri, 02 Aug 2019 03:21:13 GMT</pubDate>
            <atom:updated>2019-08-02T03:21:13.983Z</atom:updated>
            <content:encoded><![CDATA[<p>今回はKaggle Competitionの中からテキストマイニングについての課題である、<br>“Bag of Words Meets Bags of Popcorn”を取り扱いたいと思います</p><p>開発環境の整備、Kaggleってなに？等の疑問に関しては下記のリンクをご参考下さい<br><a href="https://qiita.com/daikichi56/items/28694fe38a4fa05beec7">【Beginner】【AI】【機械学習】Light GBM： Titanic: Machine Learning from Disaster</a></p><p>ユーザーレビューの内容からそれがネガティブなのかポジティブなのかを予測するテキストマイニング系のコンペティションとなります</p><p>文章という非構造的なデータをどのように加工することで、予測判定モデルが作成できるようになるのかを下記のステップで説明させて頂きます。</p><p>1.データの確認<br>2.データの綺麗化<br>3.テキストデータの数値化<br>4.数値化されたテキストデータの学習、評価判定モデルの作成</p><p>テキストマイニングの一般的な分析の流れが上記になりますので、汎用的に使えるステップとなると思います。<br>それでは早速分析を進めていきましょう。</p><h3>1.データの確認</h3><pre>train001 = pd.read_csv(&quot;labeledTrainData.tsv&quot;,delimiter=&quot;\t&quot;)</pre><p>Pythonでは、各データがタブで区切られた”.tsv”ファイルもread_csvで読み込むことが出来ます。<br>この際にタブ区切りのデータを読み込む際に必要な因数、delimiter=”\t”を忘れずに追記します。</p><p>アウトプットを確認したら下記の様になっております</p><p>“sentiment” 1ならポジティブ(高評価)、0ならネガティブ(低評価)といった具合です<br>“review” ここに実際の評価コメントが載っております。これを分析して低評価、高評価における特徴を分析します</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/851/0*TjYgzuRLLUAOuQeh" /></figure><p>試しにreviewの中身を1行見てみましょう</p><pre>train001.loc[0,&quot;review&quot;]</pre><p>中身を見ると、htmlタグが残っている、ダブルクォーテーションが残っている等、分析のためを考えるとデータがきれいな状態ではないです。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*waztVqBkdFPI4YUd" /></figure><p>なので、文章データの綺麗化について下で見ていきましょう。</p><h3>2.データの綺麗化</h3><p>データの綺麗化は下記の手順で行います。<br>1. htmlのタグ消し<br>2. 文字以外の(?,!等)の除去<br>3. 全ての文字を小文字に<br>4. ストップワードの削除</p><p>まずはhtmlのタグ消しから見ていきましょう<br>Beautiful Soupというライブラリを使用します</p><pre>from bs4 import BeautifulSoup<br>soup = BeautifulSoup(train001.loc[0,&quot;review&quot;])<br>train002 = soup.get_text()</pre><p>上記実行後、出力を見てみましょう<br>＜/ｂｒ＞といったhtmlタグが削除されていることが確認できます。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*NQTQhZsxxsZCNPNx" /></figure><p>次に、2. 文字以外の(?,!等)の除去に進みます</p><pre>import re<br>train003 = re.sub(&quot;[^a-zA-Z]&quot;,&quot; &quot;, train002)</pre><p>これで削除完了です。</p><p>次に、3. 全ての文字を小文字にします</p><pre>train004 = letters_only.lower()</pre><p>こちらもこれで変換完了となります。</p><p>最後に4. ストップワードの削除を行います。<br>ストップワードとは、あまりにも使われる単語のため、テキストデータを扱う時によく除去される言葉です。「a」「the」「an」といった冠詞などが代表的ですね。<br>ストップワードは自身で設定することも可能なのですが今回は、ストップワードのパッケージを利用致します。</p><pre>import nltk<br>from nltk.corpus import stopwords</pre><p>ちなみに、どういったストップワードが登録されているかは下記のプログラムで確認することが出来ます</p><pre>stopwords.words(&quot;english&quot;)</pre><p>文章からストップワードを削除するコードは下記です。</p><pre>train005 = [w for w in train004 if not w in stopwords.words(&quot;english&quot;)]</pre><p>このステップを踏むことでデータの綺麗化が行えます。<br>これらの処理を関数化してみましょう。</p><pre>#これまでの作業の関数化<br>def review_to_words(raw_review):<br>    #1.htmlのタグ消し<br>    review_text = BeautifulSoup(raw_review).get_text()<br>    #2.文字以外の(?,!等)の除去<br>    letters_only = re.sub(&quot;[^a-zA-Z]&quot;, &quot; &quot;, review_text) <br>    #3.全ての文字を小文字に<br>    words = letters_only.lower().split()<br>    #4.StopWordsリストの作成<br>    stops = set(stopwords.words(&quot;english&quot;))<br>    #5.StopWords Remove<br>    meaningful_words = [w for w in words if not w in stops]<br>    #6.文にして結果を返す<br>    return(&quot; &quot;.join( meaningful_words))</pre><p>上記の関数を全てのレビューに適用しましょう</p><pre>#全てreviewのクリーニング化<br>#count_reviews<br>count_reviews = train001[&quot;review&quot;].size<br>#train003:all review clean<br>#配列の初期化<br>train003 = []<br>for i in range(0,count_reviews):<br>    train003.append(review_to_words(train[&quot;review&quot;][i]))<br>#reviewの内容が全て&#39;&#39;で区切られてtrain003に格納</pre><p>上記を表示すると、全てのreviewの内容が’’で区切られてtrain003に結合されているのが確認できます。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*YRUzjUkYznz6q6qs" /></figure><h3>3.テキストデータの数値化</h3><p>以上綺麗化されたテキストデータを数値化していきます。<br>テキストデータの数値化の方法には大きく二つ下記が存在します。<br>1.CountVectorｂizer<br>→単純に特定の単語が何回登場したかをカウントし特徴量とします<br>2.TfidfVectorizer<br>→カウントだけでは単語に偏りが発生する恐れがあるので、<br>TF(単語の出現頻度)とIDF(指定単語のレア度)を掛け合わせたTF * IDFの値を特徴量とします</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/992/0*x-9ol0X9QPVSoV0X" /></figure><p>参考リンク：<a href="https://qiita.com/fujin/items/b1a7152c2ec2b4963160">機械学習 〜 テキスト特徴量（CountVectorizer, TfidfVectorizer） 〜</a></p><p>今回はCountVectorizerを利用します</p><pre>#scikit-learnからCountVectorizerをimport<br>from sklearn.feature_extraction.text import CountVectorizer<br>#初期化:CountVectorizerを使うよ、という宣言<br>vectorizer = CountVectorizer(analyzer=&quot;word&quot;,<br>                            tokenizer= None, <br>                            preprocessor= None,<br>                             stop_words= None,<br>                             max_features=5000) #特徴量の数を5000に設定</pre><p>上記の関数を利用して、テキストデータの綺麗化を行ったtrain003を利用して特徴量ベクトルを作成していきます。(テキストデータを数値化していきます)<br>アウトプットのイメージは下記です<br>濃い黄色がreview番号、薄い黄色が特徴量として選ばれた単語になります、これらの単語は該当review上に何回出てきたかをカウントして数値として登録します</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/804/0*-TMYSLi5Ou9QEfkZ" /></figure><p>上記マトリックスを作成するコードは下記です</p><pre>#特徴量ベクトルの作成<br>train004 = vectorizer.fit_transform(train003)<br>#25,000 x 5,0000のデータセットを確認</pre><p>これにより25,000人分のreviewに5,000単語を特徴量とし、その出現回数をカウントしたマトリックスが作成されます<br>(この際に使用する特徴量は自身で指定することもできますが、全文書の状態を確認し、カウントしやすいものを”fit_transform”実行中にプログラムが自動で選んでもくれます)</p><p>またどのような単語が特徴量として選ばれたのかは、下記のコードで見ることが可能です。</p><pre>#どの単語が特徴量に選ばれたのかの確認<br>train005 = vectorizer.get_feature_names()</pre><h3>4.数値化されたテキストデータの学習、評価判定モデルの作成</h3><p>次に上記までで、数値化したテキスト情報を用いて、どういった数値を記録したら”良い評価”か、”悪い評価”かをランダムフォレストを用いて学習させます。</p><p>まずランダムフォレストにこれまでの各reviewの特徴量のカウントとその場合の評価結果(sentiment)を学習させます</p><pre>#Random Forestを用いた学習と予測<br>from sklearn.ensemble import RandomForestClassifier<br>#初期化<br>forest = RandomForestClassifier(n_estimators=100)<br>#Random Forestの学習(.fit(説明変数、目的変数)<br>forest = forest.fit(train004, train[&quot;sentiment&quot;])</pre><p>次に判定を予測するテストデータを読み込み、訓練データと同様にテキストデータの綺麗化を行います</p><pre>#テストデータの読み込み<br>test = pd.read_csv(&quot;testData.tsv&quot;,header=0,delimiter=&quot;\t&quot;,quoting=3)<br>#配列の初期化<br>clean_test_reviews=[]<br>#関数&quot;review_to_words&quot;の適用(訓練データの時と同様)<br>for i in range(0,count_reviews):<br>    clean_review = review_to_words( test[&quot;review&quot;][i] )<br>    clean_test_reviews.append( clean_review )</pre><p>次に綺麗化を行ったテキストデータをモデル適用が出来る形、つまり特徴量によってベクトル化された形に変換致します</p><pre>#テストデータを単語ベクトルの形にする<br>test_data_feature=vectorizer.transform(clean_test_reviews)<br>test_data_feature=test_data_feature.toarray()</pre><p>predict関数を用いて上記のinputデータから評価を予測します</p><pre>#学習したRFを用いて予測<br>result=forest.predict(test_data_feature)</pre><p>予測した結果をkaggleにsubmit出来る形でcsvとしてアウトプットします</p><pre>output = pd.DataFrame( data={&quot;id&quot;:test[&quot;id&quot;], &quot;sentiment&quot;:result} )<br>output.to_csv( &quot;Bag_of_Words_model.csv&quot;, index=False, quoting=3 )</pre><p>以上で、テキストマイニングのすべての工程が終了致しました。</p><h3>最後に</h3><p>上記の予測モデルをkaggleにsubmitしたところ結果が下記でした<br>精度は84%。まずまずといった結果です。<br>特徴量をTFIDFにするまたは、Random Forestのチューニングを頑張れば更に精度向上が目指せそうです。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*fDDE2E7CabRgjli_" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8a6972409171" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[【Beginner】【AI】【機械学習】Light GBM： Titanic: Machine Learning from Disaster]]></title>
            <link>https://medium.com/@daichiueno/beginner-ai-%E6%A9%9F%E6%A2%B0%E5%AD%A6%E7%BF%92-light-gbm-titanic-machine-learning-from-disaster-9534f1141ff2?source=rss-62de97708c16------2</link>
            <guid isPermaLink="false">https://medium.com/p/9534f1141ff2</guid>
            <category><![CDATA[lightgbm]]></category>
            <category><![CDATA[jupyter-notebook]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[DU]]></dc:creator>
            <pubDate>Sun, 07 Apr 2019 15:48:41 GMT</pubDate>
            <atom:updated>2019-04-07T15:48:41.657Z</atom:updated>
            <content:encoded><![CDATA[<p>本ブログは、超初心者でも機械学習を利用した予測モデルが構築できるようになる内容となってます<br>教材としては、Kaggle_GettingStartedのTitanic: Machine Learning from Disasterを利用し、その予測過程を解説します</p><p>本ブログは下記の順番で展開します</p><p>1. データクレンジング(データ前処理)<br>2. Light GBM(予測モデリング手法)の適用</p><p><strong>「誰でも」 (精度は置いておいて)Light GBMという先端的な予測モデリング手法を利用して、二値分類予測モデルが解けることを目的</strong>としているので、中級者が読むとしょうもないことも、途中で記載しております</p><p>また本ブログは 下記2点を前提として進めております</p><p>- kaggleを知っている<br>- jupyter(データ分析プラットフォーム)を利用している</p><p>kaggleを初めてやるという方は<a href="https://qiita.com/taka4sato/items/802c494fdebeaa7f43b7">こちら</a>のQiitaブログからkaggleの開始方法をご確認下さい</p><p>jupyterをダウンロードしていないという方は、<a href="https://did2memo.net/2017/07/09/python-anaconda-jupyter-notebook-windows/">こちら</a>をご参照下さい<br><strong>*windowsの人はanaconda入れれば面倒な開発環境設定がいりませんので、anacondaインストールを推奨しております</strong></p><p><strong>分析かじっていて色々用語は知ってるんだけど、一回も実装したことが無い。。という方には特におすすめです</strong><br>それ以外の方でも「読んでやるよ」という方は下記にてお進みください</p><h3><strong>1. データクレンジング(データ前処理)</strong></h3><p>今回、<strong>Light GBM</strong>というモデリング手法を使用します。kaggleの上位ランカーがかなり利用しており、実装は簡単ですが非常に精度の高い機械学習ライブラリとして注目されている手法です</p><p>そのLight GBMに必要なデータを与えると、予測結果を返してくれるという単純な仕組みなのですが、<br>与えるデータにざっくり下記の3つの条件が有ります</p><p>1.<strong> 教師データと予測データのカテゴリ(列数と種類)が揃っていること(説明変数の設定)</strong><br>2. <strong>欠損値(データ上の空白)が無いこと(欠損値の補完)</strong><br>3. <strong>取り込まれるデータは全て「数値データ」であること(ダミー化)</strong></p><p>数値データってintですか!?floatですか!?とかいろいろツッコミ来そうですが、<strong>最初はこれで十分です</strong></p><p>なのでこれらの条件を満たすためにデータを綺麗にする、「データクレンジング」という処理を行います</p><p>ちょっと地味な作業になりますがお付き合いください</p><p>まず、教師データ(train)と予測データ(test)を読み込みます<br>厳密には予測データ(test)では無いと言われそうですが、最初はこちらの方が理解しやすいのでこのように記載します</p><pre>import pandas as pd<br>test = pd.read_csv(“test.csv” , encoding=”CP932&quot;)<br>train = pd.read_csv(“train.csv”, encoding = “CP932”)</pre><p><strong>*Tipsですが、windowsの人はencoding=”CP932&quot;をつけると日本語読み込む際に文字化けが消えます(今回は意味ないです)<br></strong>*test.csvとtrain.csvはkaggleのCompetition内のTitanic:Machine Learning from Disaster(<a href="https://www.kaggle.com/c/titanic/data">こちら</a>)からダウンロードできます</p><p>次に教師データ(train)を教師データ説明変数(train_x)と教師データ目的変数(train_y)に分け読み込み、予測データ(test)はそのまま予測データ説明変数(test_x)として読み込みます<br>説明変数と目的変数って？という方もググったらすぐ分かりますが、<br><a href="http://www.gen-info.osaka-u.ac.jp/MEPHAS/express/express8.html">こちら</a>が分かりやすいです。</p><pre>train_x = train.drop(“Survived”,axis=1)<br>train_y = train[“Survived”]<br>test_x = test </pre><p><strong>躓きポイント</strong><br>この後、「欠損値の補完」→「ダミー化」と進んでいくのですが、<br>「ダミー化」の際に、train_xとtest_xのcolumns数(列数)が揃っておく必要が有ります</p><p>今の状態でダミー化してしまうと、列数が500列程数がズレてしまいLight GBMに与えるデータとして使えないので、ここからさらに説明変数に使用するカテゴリを絞ります<br>ここは最初実装するときに、割と躓きやすいポイントだと思います</p><p>よくモデルを作成する際にその精度を向上させるために行う「チューニング」という作業が有りますが、<br><strong>この説明変数の設定もチューニングの一つです</strong></p><p>*ダミー化が分からない方は<a href="https://qiita.com/nanairoGlasses/items/339ed9cb6297a1cb81bd">こちら</a>をご参照下さい<br>「ダミー化」とは簡単に言うと、文字列データを数値化するよといったニュアンスです。詳細はリンクで</p><p>上記の躓きポイントを解消するために説明変数を絞り込みます<br>今回は<strong>”Name”(乗客の名前) “Ticket”(チケット番号) “Cabin”(部屋番号)は、”Survived”(生存結果1:生存,0:死亡)に寄与しないという仮説を立て</strong>、この3カテゴリを省いたものを説明変数とします</p><pre>train_x = train_x.drop(“Name”,axis =1)<br>train_x = train_x.drop(“Ticket”,axis =1)<br>train_x = train_x.drop(“Cabin”,axis =1)<br>test_x = test_x.drop(“Name”,axis =1)<br>test_x = test_x.drop(“Ticket”,axis =1)<br>test_x = test_x.drop(“Cabin”,axis =1)</pre><p>以上のコードで <strong>1.説明変数の設定</strong>が完了致しました<br>次に、<strong>2.欠損値の補完</strong>を行います</p><p>最初に、すぐに欠損値の補完を行うのでは無く、<strong>どのカテゴリにどの程度欠損値があるかを把握</strong>します<br>確認するコードは下記です。(最初に教師データ説明変数(train_x)で確認しております)</p><pre>train_x.isnull().sum()</pre><p>結果は下記です<br>PassengerId 0<br>Pclass 0<br>Sex 0<br><strong>Age 177</strong><br>SibSp 0<br>Parch 0<br>Fare 0<br><strong>Embarked 2</strong></p><p>Ageの欠損が目立ちますね<br>Embarked(出港した港)も欠損値が2つ見られます<br>同様に、予測データ説明変数(test_x)でも確認します</p><pre>test_x.isnull().sum()</pre><p>PassengerId 0<br>Pclass 0<br>Sex 0<br><strong>Age 86</strong><br>SibSp 0<br>Parch 0<br><strong>Fare 1</strong><br>Embarked 0</p><p>こちらも同様にAgeの欠損が目立ち、Fare(乗船料金)にも一つ欠損が見られます<br>以上より<strong>”Age”,”Fare”,”Embarked”に対して欠損値補完の方針を検討</strong>し、実行します</p><p>今回の欠損値補完方針は下記で行います</p><p><strong>- Age = 全体の乗船者年齢の中央値(median)<br>- Fare = 全体の乗船料金の中央値(median)<br>- Embarked = “S”(Sの港を利用した人が最も多いので)</strong></p><p>中央値じゃなくて、平均値じゃダメなんですか！とも言われそうですが <strong>結論OKです</strong><br>ここも <strong>チューニングポイントの一つ</strong>なので、この値をどう設定するかも後の予測結果に影響してきます<br>ただ、この中では深く議論しません。欠損値を埋めるという目的をただ遂行します</p><p>ちなみにEmbarkedで”S”が一番多いのを判定したプログラムは下記です</p><pre>train_x[“Embarked”].value_counts()</pre><p>これにより下記の通り出力が有ります<br><strong>S 270</strong><br>C 102<br>Q 46<br>上記結果をtest_xにも適用して、<strong>Sが最も多いと判定</strong>し、欠損値の補完要素の1つとして採用致しました<br>value_counts()は、<strong>選択した列に含まれる文字のユニーク数をカウントしてくれる</strong>コードなので割と頻出で良く使えます</p><p>話を戻して、決定した方針を元に、実際に欠損値を補完します<br>コードは下記です</p><p><strong>train_x[“Age”] = train_x[“Age”].fillna(train_x[“Age”].median())<br>train_x[“Fare”] = train_x[“Fare”].fillna(train_x[“Fare”].median())<br>train_x[“Embarked”] = train_x[“Embarked”].fillna(“S”)<br>test_x[“Age”] = test_x[“Age”].fillna(test_x[“Age”].median())<br>test_x[“Fare”] = test_x[“Fare”].fillna(test_x[“Fare”].median())<br>test_x[“Embarked”] = test_x[“Embarked”].fillna(“S”)</strong></p><p><strong>fillna(“補完値”)</strong>でデータが空白(Nan)の値を指定した”補完値”で補完出来ます<br>ちなみに<strong>median()</strong>というのが中央値を算出するコードです</p><p>以上で <strong>2.欠損値の補完</strong> が完了致しました<br>最後に、<strong>3.データをすべて数値化(ダミー化)</strong> を行います</p><p>ダミー化については再掲ですが<a href="https://qiita.com/nanairoGlasses/items/339ed9cb6297a1cb81bd">こちら</a>をご覧ください。</p><p>そしてダミー化を行うコードは下記です</p><p><strong>train_x_dummy = pd.get_dummies(train_x)<br>test_x_dummy = pd.get_dummies(test_x)<br></strong><br>教師データ(train_x)、予測データ(test_x)それぞれにpd.get_dummies()を適用すれば、一行でダミー化完了です</p><p>少し長かったですが、<strong>ここまでで1.データクレンジング(データの前処理)が終了致しました</strong></p><p><strong>実際のAnalyticsプロジェクトでもデータクレンジング(データの前処理)はきついポイントの1つ</strong>となってますので、以前最もセクシーな職業と言われたデータサイエンティストも、業務の大半がこういった地味な作業であることがほとんどです</p><p>それでは、ここから <strong>2.Light GBM(予測モデリング手法)の適用</strong>に移ります</p><h3><strong>2.Light GBM(予測モデリング手法)の適用</strong></h3><p>まずLight GBMを利用するために必要なライブラリ(モジュールともいったりします)を分析環境上に読み込みます</p><pre>import lightgbm as lgb<br>from sklearn import datasets<br>from sklearn.model_selection import train_test_split<br>from sklearn import metrics<br>import numpy as np</pre><p>これらは「おまじない」なので実践するときもコピペして使ってもらって結構です<br>ちなみにLight GBMは事前にPC上にインストールしておく必要があります。<br>windowsの方はanaconda prompt、macの方はterminal上でpip installで簡単に落とせますのでまだインストールしてないという方は<a href="https://blog.amedama.jp/entry/2018/05/01/081842">こちら</a>を参照下さい。</p><p>次に、「モデル」を作成していきます<br>よく分析屋がモデルの構築とか、モデルの精緻化とかモデルモデル言ってますが、</p><p><strong>要は関数です</strong><br>皆さんが中学、高校でやった y = ax + bとかそういったものが「モデル」です</p><p>なので、分析屋が「モデルの構築」とか言ってたら、<br><strong>ああ、要はちょっと複雑な関数を作るのね、y=ax + bみたいな</strong><br>とかって思っておけばいいです</p><p>y = ax+bで説明すると、”y”が目的変数。今回で言うとtrain_y。カテゴリでいうと、”Survived”(生存結果1:生存,0:死亡)で、<br>“x”が説明変数。今回で言うとtrain_xとかになります</p><p>Light GBM(予測モデリング手法)を適用することで、上記の”a”や”b”の、係数や切片を特定することが出来ます。<strong>この係数や切片を求める行為が「モデルの構築」となります</strong></p><p>ここら辺がまとめてある物がなくて、あえて混乱させているようにしか見えないほど難しく記載するものばかりでしたので書いてみました</p><p><strong>「モデル」は「関数」<br>中学、高校でみんな「モデルの構築」やってます</strong></p><p>前置きが長くなってしまいましたがここから「モデルの構築=関数の作成」を行います<br>コードは下記です</p><pre>model = lgb.LGBMClassifier()<br>model.fit(train_x_dummy,train_y)</pre><p>以上です<br>たった二行でモデルが出来ました</p><p>一行目はおまじないです<br>今回使用した、”lgb.LGBMClassifier()”の他に、”lgb.LGBMRegressor()”というのもあります<br>前者の方は分類問題で使用する関数です、今回でいうと<strong>「生き残った人と死んでしまった人を分類する」</strong>ので適用しています<br>後者の方は値予測(回帰問題)で使用する関数です、例でいうと、<strong>価格の予測、販売予測とかそういった具体的な数値を予測する場合</strong>に使用します。別で解説します</p><p>二行目は<br>model.fit(“教師データ説明変数”、”教師データ目的変数”)<br>という構成です<br>これにより教師データから、y=ax+bのaとbを求めモデル=関数を作成しています<br><strong>*注意:実際はy=ax+bでは無くもっと高次です、こんな単純じゃありませんがあくまで理解のために単純化しております</strong></p><p>そして最後に、「予測」を行います。<br>今回で言うと、<strong>予測データ説明変数(test_x)から予測データ目的変数”Survived”を予測判定します</strong></p><pre>y_pred = model.predict(test_x_dummy)</pre><p>以上、一行です<br><strong>予測データ目的変数は”y_pred”で表現しております</strong><br>y_predに予測判定結果が格納されてます。これでLight GBM(予測モデリング手法)の適用が完了し、機械学習の実装を達成致しました</p><h3><strong>3.最後に</strong></h3><p>本ブログの通りに実行し、kaggleにsubmitした結果下記でした</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*K_gJOROlUf9_KccbX9bruA.png" /></figure><p>良くもないけど悪くもないといった感じですね<br>何も捻り加えてないのにさすがLight GBM。。。<br>モデル作成部分(model = lgb.LGBMClassifier()の)()内で)まだまだチューニングの余地が多分にあるのでそこを調整するとより精度の高い予測モデルが構築できそうです！</p><p>今後も更新を予定しており、次回はPricing(価格予測)の機械学習モデルの構築を予定してます</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9534f1141ff2" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[VeChain Japan First Meet up]]></title>
            <link>https://medium.com/@daichiueno/vechain-first-japan-meet-up-914fd57328cb?source=rss-62de97708c16------2</link>
            <guid isPermaLink="false">https://medium.com/p/914fd57328cb</guid>
            <category><![CDATA[cryptocurrency]]></category>
            <category><![CDATA[blockchain]]></category>
            <dc:creator><![CDATA[DU]]></dc:creator>
            <pubDate>Mon, 16 Jul 2018 23:19:14 GMT</pubDate>
            <atom:updated>2018-07-17T04:23:25.046Z</atom:updated>
            <content:encoded><![CDATA[<p>2018年7月5日(木)に日本初のVeChain Meet upについて纏めました。</p><p>「信頼のトレーサビリティを提供する」というブロックチェーンの特性を生かしたその思想自体は素晴らしいのですが、<br>なぜここまで評価されるトークンであるのか疑問があり本MeetUPに参加致しました。</p><p>重要箇所だけを抜粋して記入させていただきます。</p><p>【agenda】</p><ol><li>VeChain(VeChain Thor)とは</li><li>VeChainJapan Meetup</li><li>VeChain Thorがプラットフォームとして生き残るための差別化は？</li><li>所感</li></ol><h3>1.VeChain(VeChain Thor)とは</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*hg9cI_d4uTtQKYbO5uX0Kw.jpeg" /></figure><p>VeChainは中国をはじめ、<strong>アジア圏で流通している偽ブランド品をブロックチェーン上で保管することで本物か偽物かを見極めることが出来るようにする仮想通貨の1種</strong>で、中国最大級のブロックチェーン企業であるBitSeの子会社としてスタートしました。</p><p>商品にNFCチップを埋め込みブロックチェーン技術による照合を行うことで、偽ブランド品を見極めることが出来ます。</p><p>元来、企業間で異なる複数のシステムを使用していることから、サプライチェーンでの製品追跡は大変な苦労を伴うものです。</p><p>しかし、VeChainを利用すれば、<strong>製品のスマートチップをスキャンするだけで、関連データを全て取得出来るようになります。</strong></p><p>VeChainはこの6月29日に<strong>メインネット※1</strong>を公開、<strong>VeChainのトークンVENをVETとTHORの2つのトークンに分離をし、VeChain Thorにリブランディングをするなど今後の展開が非常に注目されます。</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*JNOxbwBsyAD3fAz1H13K6A.jpeg" /></figure><p>※1：「メインネット移行」はなぜ値上がり要因なのか？仕組みを解説<br><a href="http://abeyuto.com/invest/mainnet-sit-out/#i">http://abeyuto.com/invest/mainnet-sit-out/#i</a></p><h3><strong>2.VeChain Japan Meetup</strong></h3><p>VeChain 初の日本でのMeetupはCOOのKevin Fengのスピーチから開始されました。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0gFW7lsnx_AYZ2DGAWIg1w.jpeg" /></figure><p><strong>-VeChainについて</strong></p><p>VeChainはPoA(Proof of Authority)という承認方法をとっておりそれを利用したガバナンスモデル、エコノミックモデル(2種類のトークン)が特徴として挙げられます。※2</p><p>※2：101個のVeChain スルーズヘイム(オーソリティー)マスターノード選出プロセス開始<br><a href="https://goo.gl/RTxQb9">https://goo.gl/RTxQb9</a></p><p>また、VeChainはエンタープライズ企業のセキュリティへの不安を払拭するために高いセキュリティを実現しており、Ethereumの3倍のスケーラビリティを実現しています。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*sDw-pWBTNwLTvv-dGELHnw.jpeg" /></figure><p><strong>-VeChainビジネスパートナー</strong></p><p>VeChainの特筆すべき特徴はそのパートナーシップ構成力です。<br><strong>主なビジネスパートナーがPwCとDNV GLの2社です。</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KbHtWaN4gNl1vaEmMqUyFQ.jpeg" /></figure><p>PwC香港及びシンガポールは今年の5月にVeChainの運営会社の株式を取得し「合同事業関係」を構築いたしました。これにより、同ファームの世界的な大規模顧客ネットワークをVeChainは利用可能です。</p><p>DNV GLは、石油・ガス、電力、船級、再生可能エネルギー企業にサービスを提供する、200億ドル規模の企業です。このパートナーシップも同様にVeChainには大量の顧客を提供します。</p><p>そして最も素晴らしいのが中国政府がVeChainを貴安政府のブロックチェーン技術パートナーとして選定したことです。</p><p>このように<strong>既に大量の顧客を抱えるエンタープライズ企業並びに国家との強いパートナーシップを構成できている点がVeChainがその他のトークンと比べての差別化だと考えることができます。</strong></p><p><strong>-パネルディスカッション</strong></p><p>続いて下記5名によるパネルディスカッションが行われました。</p><p>OceanEX:COO Daniel Kelman、WeiWang<br>Swissborg:CEO Cyrus Fazel<br>VeChain:COO Kevin Feng<br>CRYPTO TIMES edindin</p><p>本ブログでは主にVeChainに関連するディスカッション内容を記述致します。</p><p><strong>・6月30日にメインネットが始動した。6月は様々なプロジェクトが始動したがVeChainの優位性について聞かせてください。</strong></p><p>現在の技術では中央集権型と分散型の中間が望ましいと考えておりその実現により効率的なエコノミックモデルを実現していることがVeChainの優位性であると考えている。</p><p>また安定性やセキュリティ性の観点から大企業に選ばれるプロジェクト担っていることが私たちの強みである。(Kevin Feng)</p><p><strong>・今回のメインネットでVETとVTHOの二つのトークンを発行したがこれは分かりにくくない？</strong></p><p>私たちが二つのトークンを作ったのはトランザクションコストと仮想通貨におけるボラティリティを分離したいと考えたから。</p><p>中央の理事会が市場の需要と供給のバランスを調整することで、適正な仮想通貨を保つことができる。</p><p>しかしこれでは中央集権的だと批判を受けてしまうこともある。ただ、今の技術レベルでは中央集権型と分散型を織り交ぜた方が良いと自分たちで判断している。</p><p>データ収集を行なっていくことで次第により分散化に近づけていく動きも進めていく予定。(Kevin Feng)</p><p>その他にVeChainトークンを利用した取引所であるOceanEX、仮想通貨プライベートバンクの実現を目指すSwissborgに関しても以下の質問が出ました。</p><p>・OceanEXをVeChainのエコシステム内で動かそうと思った理由は何ですか？<br>・SwissborgとしてVeChainのエコシステムをどのように考えていますか？<br>・今後のOceanEXの拡大の構想をお聞かせ下さい<br>・OceanEXがリリースする場合一般投資家として何を求めますか？</p><p>これらはまた別の記事で公開する予定です。</p><p>3.VeChainがプラットフォームとして生き残るための差別化は？</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-0y5ZmqdYHnBqX95fzX6ew.jpeg" /></figure><p>VeChainがEthereumやその他のトークンと比べて差があると考えているところは次の2点です。</p><p><strong>1.適切なガバナンス構造を持っている(101Master Nodeと運営理事会)<br>2.トランザクションコストを安定させるエコノミックモデルを提供していること</strong></p><p>その他のプロジェクトはプロトコルだけを提供して開発が進むのを待っているケースが多い(ERC20トークンに代表されるように)。</p><p>VeChainとしては良い技術を提供したとしてもそこにいいサービスが乗るとは考えていない。</p><p><strong>例えばappleがappstoreだけを作ったとしても誰もそれを使わないでしょう。appstoreを作りiPhoneを作ったからこそappleのエコシステムが繁栄している。</strong></p><p>VeChainもそれを体現するつもりである。</p><p>4.所感</p><p>事前の評判以上に、VeChainはよりリアルでビジネスを展開できているプロジェクトの1つだと感じました。</p><p>最後のKevinのappleの例えでもあったように、他のプロジェクトと違い、<strong>先に”使用できる場所(実用化事例)”を提供し、その後”使用でする物(VeChain)”を完成させていくという手法</strong>は仮想通貨市場では新しい展開の仕方だと感じています。<br><br>PwCのような巨人企業と、中国政府とのパートナーシップ。<br>そして既に事例が幾つも出来ていることから、ブロックチェーンを現実社会で適用し、活用させていくことのトップランナーとして今後も君臨していくでしょう。<br>2018年最も注目される仮想通貨になるでしょう。</p><p>【参考リンク】</p><p>VeChain Thorとは何か? | 初心者ガイド<br><a href="http://bc-god.com/?p=4681">http://bc-god.com/?p=4681</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=914fd57328cb" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[【仮想通貨ウォレット】Gincoローンチ記念イベント]]></title>
            <link>https://medium.com/@daichiueno/%E4%BB%AE%E6%83%B3%E9%80%9A%E8%B2%A8%E3%82%A6%E3%82%A9%E3%83%AC%E3%83%83%E3%83%88-ginco%E3%83%AD%E3%83%BC%E3%83%B3%E3%83%81%E8%A8%98%E5%BF%B5%E3%82%A4%E3%83%99%E3%83%B3%E3%83%88-3100f980f087?source=rss-62de97708c16------2</link>
            <guid isPermaLink="false">https://medium.com/p/3100f980f087</guid>
            <category><![CDATA[cryptocurrency]]></category>
            <category><![CDATA[blockchain]]></category>
            <dc:creator><![CDATA[DU]]></dc:creator>
            <pubDate>Sat, 28 Apr 2018 02:02:05 GMT</pubDate>
            <atom:updated>2018-07-17T04:24:15.026Z</atom:updated>
            <content:encoded><![CDATA[<p>2018年4月25日(水)に株式会社Gincoが開催した「Gincoローンチイベント」の内容を纏めました。</p><p>「Fiat World(法定通貨市場)」と「Crypt World(仮想通貨市場、トークンエコノミー)」を繋ぐインターフェースとしてのアプリを目指すという明確な指標は分かりやすくかつインパクトがあり、</p><p>単純に仮想通貨を保管するだけの枠組み以上の取り組みを目指すというGincoのビジョンが印象的なプレゼンテーションでした。<br>(暗号通過市場についてのデータは改めて本レポートに追加予定です)</p><p>【agenda】<br>1.Gincoとは？<br>2.ローンチイベント<br> -Ginco CEO 森川夢佑斗さん<br> -Zilliqa: Head of Business Development / Ong En Hui<br> -Etheremon: Founder / Naka Nhu<br>3.パネルディスカッション<br>4.今後のGingoロードマップ</p><h3>1.Gincoとは?</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*MjASiZEueoT-vesgLRHwcg.jpeg" /></figure><p>Gincoとはビットコインを始めとする仮想通貨を保管する<strong>クライアント型のウォレットアプリ※1</strong>です。安全に仮想通貨を保管・運用することができます。</p><p>コインチェック騒動に代表されるように、日本でも<strong>「取引所で仮想通貨を購入」→「仮想通貨をウォレットに保存」</strong>という形で仮想通貨を管理する事は今後一般的になっていくと考えられます。</p><p>既に市場にはいくつかクライアント型ウォレットは出ておりますがその殆どが海外製であり日本人には少々使いにくい印象ですが、国産クライアント型ウォレットのGincoは日本人でも使いやすいように設計されています。</p><p>参考までにクライアント型モバイルウォレット一覧についてリンクを貼ります。<br><a href="http://www.ikedahayato.com/20180313/74814136.html">http://www.ikedahayato.com/20180313/74814136.html</a></p><p>※1:取引所とクライアント型ウォレットの違い<br><a href="https://virtualcurrencies.jp/differences-exchange-wallet/">https://virtualcurrencies.jp/differences-exchange-wallet/</a><br>※2dapps(Decentralized Applications)とは <a href="https://www.newscrypto.jp/articles/5426">https://www.newscrypto.jp/articles/5426</a></p><h3>2.ローンチイベント</h3><p>まずGinco CEOの森川夢佑斗さんから現在のブロックチェーン、仮想通貨業界についての説明とそれに対してのGinco社としての解釈が説明され、</p><p>その後、パートナーシップ締結会社よりそれぞれのプロジェクトの説明があり、最後にGincoの今後の展望へと続いていきました。</p><p>それぞれの登壇者の紹介は下記URLを参照ください。<br>(HP下部に紹介がございます)<br><a href="https://www.wantedly.com/companies/ginco/post_articles/114937">https://www.wantedly.com/companies/ginco/post_articles/114937</a></p><h3>-Ginco CEO森川夢佑斗さん</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jXravD4JKh4Lrhjdy2M_Yg.jpeg" /></figure><p>【現在の仮想通貨、ブロックチェーン業界の現状】<br>ビットコインやDAppsを始め様々な通貨、アプリケーションが生まれているがまだまだ課題は存在する。</p><p>大きな課題としては技術要因による「スケーラビリティ」があるが、<strong>「安定性」や「市場の仮想通貨に対しての理解が世界中で十分ではない」</strong>ことも要因として挙げられる。</p><p>【Ginco社としての市場理解とそこに対しての価値提供】<br>ただし上記の問題は技術の発達や時間とともに解決していくものであるとGincoは考えている。</p><p>それにより、<strong>現状の市場とは別の暗号通貨経済(Token economy)のみで成り立つ「Crypt World」が将来確実に生まれる。</strong></p><p><strong>「Fiat World(法定通貨市場)」と今後成長が見込まれる「Crypt World(暗号通貨市場)」を繋ぐプラットフォームとして「Ginco」が存在することで暗号通貨市場の活性化を支援していきたい。</strong></p><p>今は「安全に保管」するということのみにフィーチャーされがちであるが<br>(その前提は崩さない上で)<strong>今後様々な事業者やDAppsと連携することでGincoを起点とした「Crypt World」の広がりを実現していくつもりである。</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HTOIEJUbU7LStNpsHW85_A.jpeg" /></figure><h3>-Zilliqa: Head of Business Development / Ong En Hui</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*g9z26CjNdJlo4qwgaMs2WQ.jpeg" /></figure><p>【zilliqa社が考える現在の仮想通貨業界の課題】<br>現在の仮想通貨市場で最も大きい課題が<strong>「スケーラビリティ」言い換えると「取引可能数の制限」という課題</strong>がある。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*dthgllygW_nbhctKQCa43A.jpeg" /></figure><p>上記はビットコイン、イーサリアム、visaの1秒間における取引可能数を示した資料</p><p><strong>・ビットコイン：7件/s<br> ・イーサリアム：10件/s<br> ・Visa：8,000件/s</strong></p><p>取引可能数が増えなければ捌ける通貨の量も限られてくるため<strong>市場成長に歯止めをかける大きな要因になり得る。</strong></p><p>【zilliqa社が提供する市場への価値提供】<br>zilliqa社は取引量の課題を<strong>「Sharding」という技術を用いることで(オンチェーン※3上でも)解決する手段を提供</strong>している。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HRNwbsQHDisW_irfsiRAag.jpeg" /></figure><p>zilliqaが現状実現している事は下記の4つ<br><strong> ・1秒間に200件以上の取引量<br> (ネットワークサイズが大きくなればさらに拡大)<br> ・オンチェーン技術を使用しているので安全性も高い<br> ・マイニングをする際も他通貨と比べ低コスト<br> ・取引の際のユーザー手数料を安く抑えられる</strong></p><p>実ビジネスの検証第一弾として<strong>デジタル広告でのzilliqaの活用をマインドシェア社(WPPグループ)と今年の12月に実現予定。</strong></p><p><strong>多くの入札トランザクションに耐えながらアドフラウドという問題に対応できるプロダクトをローンチ</strong>する。</p><p>※3：仮想通貨のオンチェーン、オフチェーンとは<br><a href="https://tomokazu-kozuma.com/what-is-the-crypto-currency-on-chain-and-off-chain/">https://tomokazu-kozuma.com/what-is-the-crypto-currency-on-chain-and-off-chain/</a></p><h3>-Etheremon: Founder / Naka Nhu</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*GpAHna6j3JjlxK1LrUL6EQ.jpeg" /></figure><p>【Etheremonとは】<br>ポケットモンスターの世界観をモデルにした仮想通貨で遊ぶゲーム。</p><p>運営者は存在せずに唯一無二のポケモンを育てることが可能で、冒険バトルを繰り広げることが可能。</p><p>また自身のモンスターには価値がつくため<br><strong>ユーザー同士でモンスターを売買することが出来る。</strong></p><p>【Etheremonが実現する未来】<br>Etheremonを通して<br><strong>「ゲーミング3.0として新たなユーザー体験の提供する」</strong></p><p>(ゲーム1.0：1人、数人でゲームを行う。例えば、マリオ<br>ゲーム2.0：オンライン、ソーシャルゲーム。リーグオブレジェント)</p><p>具体的には<strong>ブロックチェーンによってゲーム内のものをプレイヤーが「所有できる」</strong>という点がゲーミング3.0を表している</p><p>よりゲーム内世界を現実世界に近づけるために<strong>EtheremonとVRの融合を近い将来予定</strong>している。</p><h3>3.パネルディスカッション</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*dK9Aw3zL7MKnyOJtHazuRA.jpeg" /></figure><ul><li>What is Blockchain?</li></ul><p>-以前CtoCサービスの会社に所属していた際に中間業社をどうしても挟んでしまうのに疑問を覚えたが、Blockchain技術によりそれは必要が無くなった。革命を起こした技術である(森川)</p><p>- ブロックチェーンはペイメントの市場を確実に変えた技術(Ong En Hui)</p><p>-ゲームに透明性を持たせ、ユーザー努力が誠実に反映させることができるもの(Naka Nhu)</p><ul><li>What do we need to grow DApps?</li></ul><p>-マーケティング、ユーザー体験の課題があると思う(森川)</p><p>-ユーザビリティの問題。より使いやすいインターフェースを構築しなければならない。例えばWeChatPayのように(Ong En Hui)</p><p>-私もユーザビリティが重要だと考える。ただ、一方でCrypt Market自体が若いので使用するユーザーに対してもしっかりとした教育が必要だと考えます(Naka Nhu)</p><ul><li>How can DApps change our life?</li></ul><p>-facebookの問題もあり人々が最近になって、自分のデータは自分自身で管理することができていないということを認識してきたと思います。ブロックチェーンによって、データの所有権を再考することができるでしょう(Ong En Hui)</p><p>-自身でゲーム内のアセットを保有するという体験に多くのユーザーが魅了され、来年には多くのゲームDAppsが増えてきて業界を変えていくでしょう(Naka Nhu)</p><h3>4.Gincoの今後の展望</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*L6oR0_lFptjvRgxL-WrxCA.jpeg" /></figure><p>最後にGinco CEOの森川夢佑斗さんより今後のGincoの展望についての説明がございました。</p><p>-Crypt Worldとユーザーを繋ぐインターフェースとなるようにUI/UXの分かりやすさは引き続き重視していく</p><p>-<strong>前提としてセキュリティの質は落とさない、マネーロンダリングの問題にも解決策を提示する</strong></p><p>-さらに多くのユーザーにご利用頂けるように今後も提携通貨の数は増やしていく</p><p>-<strong>年内には法定通貨からの入金にも対応していく(LINE Payのイメージ)</strong></p><p>最終的には法定通貨にも対応していくという発表には驚かされましたが、<br>仮想通貨も扱えるウォレットとしての付加価値を持って市場にどう食い込んでいくかは非常に注目しております。</p><p>前半で「Fiat World」と「Crypt World」というお話をさせて頂きました。</p><p><strong>現状、大企業や行政機関はFiat worldでの「up sell」「cost down」を至上命題として上げていますが、近い将来「Crypt world」での立ち振る舞いについても考えなければならないですし、早めにその市場について目を向けておくことが重要です。</strong></p><p>ICOにより個人や小さい組織の資金調達が可能になった時代に、大きな組織がどう対応していくべきかについてアフターパーティにて前職でブラックロック、JPモルガンを経験されたOng En Huiさんからは興味深い意見を頂きましたので別で公開致します。</p><p>これからも国産型ウォレットアプリとして世界トップクラスのユーザービリティを提供してくれるであろうGincoから目が離せません！</p><p>【参考リンク】</p><p>株式会社Ginco<a href="https://ginco.io/"><br>https://ginco.io/</a></p><p>仮想通貨、ブロックチェーン情報サイト-Ginco MAGAGINE-<br><a href="https://magazine.ginco.io/">https://magazine.ginco.io/</a></p><p>TechCrunch-日本発の仮想通貨ウォレット「Ginco」がビットコインに対応、分散型サービスの入口となることを狙う-<br><a href="https://jp.techcrunch.com/2018/04/24/cryptocurrency-wallet-ginco-is-ready-for-btc/">https://jp.techcrunch.com/2018/04/24/cryptocurrency-wallet-ginco-is-ready-for-btc/</a></p><p>日本経済新聞-仮想通貨、スマホで安全管理 ギンコがアプリ開発-<br><a href="https://www.nikkei.com/article/DGXMZO29759210U8A420C1000000/">https://www.nikkei.com/article/DGXMZO29759210U8A420C1000000/</a></p><p>THE BRIDGE-仮想通貨ウォレットアプリを開発するGinco、シードラウンドでグローバル・ブレインから1.5億円を調達-<br><a href="http://thebridge.jp/2018/01/ginco-seed-round-funding">http://thebridge.jp/2018/01/ginco-seed-round-funding</a></p><p>Zilliqaのデザインストーリー<br><a href="https://blog.zilliqa.com/zilliqa%E3%81%AE%E3%83%87%E3%82%B6%E3%82%A4%E3%83%B3%E3%82%B9%E3%83%88%E3%83%BC%E3%83%AA%E3%83%BC-368361011c35">https://blog.zilliqa.com/zilliqa%E3%81%AE%E3%83%87%E3%82%B6%E3%82%A4%E3%83%B3%E3%82%B9%E3%83%88%E3%83%BC%E3%83%AA%E3%83%BC-368361011c35</a></p><p>イーサエモン: 分散型イーサーモンスターワールド<br><a href="https://medium.com/@myetheremon/%E3%82%A4%E3%83%BC%E3%82%B5%E3%82%A8%E3%83%A2%E3%83%B3-%E5%88%86%E6%95%A3%E5%9E%8B%E3%82%A4%E3%83%BC%E3%82%B5%E3%83%BC%E3%83%A2%E3%83%B3%E3%82%B9%E3%82%BF%E3%83%BC%E3%83%AF%E3%83%BC%E3%83%AB%E3%83%89-a21c6492a51b">https://medium.com/@myetheremon/%E3%82%A4%E3%83%BC%E3%82%B5%E3%82%A8%E3%83%A2%E3%83%B3-%E5%88%86%E6%95%A3%E5%9E%8B%E3%82%A4%E3%83%BC%E3%82%B5%E3%83%BC%E3%83%A2%E3%83%B3%E3%82%B9%E3%82%BF%E3%83%BC%E3%83%AF%E3%83%BC%E3%83%AB%E3%83%89-a21c6492a51b</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3100f980f087" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>