- 1. Blue Prism で Object の仕様書を自動生成する
- 2. Databricksでフォルダ名やNotebook名に日本語を使うと困る場合がある
- 3. Djangoでメディアファイルを表示する話
- 4. 深層学習入門 ~畳み込みとプーリング編~
- 5. 教師あり学習1 教師あり学習(分類)の基礎
- 6. conda-forgeからインストールする
- 7. dict型,list型,tuple型の違いと共通点
- 8. 【Python】nlplotで企業特徴を把握できたら最&高じゃないですか?
- 9. MSYS2 で pip を使う
- 10. Django シフト記号の背景に施設によって色を変える
- 11. 量子情報理論の基本:表面符号による論理演算(Brading)
- 12. Chalice を使って AWS Lambda 上に Flask/Bottle のようにWebアプリケーションを構築する
- 13. ゼロから始めるDjango(part:1)
- 14. PytorchのDatasetを層状にfoldingする
- 15. Codeforces Round #486 (Div. 3) バチャ復習(9/23)
- 16. ラズパイで今後やりたいことをメモしていく
- 17. pythonの文字列に変数を埋め込む方法
- 18. VS CodeでFortranをデバッグ設定までやってみる。【Win10】
- 19. macOS上にpydicomをセットアップするためのメモ
- 20. YOLOを利用した物体検出(python)(【高等学校情報科 情報Ⅱ】教員研修用教材)
Blue Prism で Object の仕様書を自動生成する
# はじめに
Blue Prism では、Object というアプリケーションを実際に操作する部品と、Process というビジネスロジックをかく部品のレイヤーが分かれていて、再利用性を高める仕組みになっています。
チーム内で Object の再利用を進めるには、「どういう Object があるのか」というドキュメントを作ってメンテナンスする必要がありますが、手で作ったりメンテナンスするのは辛かったり、Objectの内容がアップデートされているのに追従できなかったり、という問題が生じる可能性があります。この記事では、そうした重要な Object に関するドキュメント(Blue Prism 用語でいうところの ODI : Object Design Instruction)を自動で生成しよう、という話を扱います。
# 「Object Inventory」 というVBOがある! が動かない。。。
[Ditigal Exchange に 「Object Inventory」](https://digitalexchange.blueprism.com/dx/entry/3439/
Databricksでフォルダ名やNotebook名に日本語を使うと困る場合がある
# 先に結論
フォルダ名やNotebook名に**日本語を使用した**場合、[dbutils.notebook.run](https://docs.databricks.com/notebooks/notebook-workflows.html#api) を使って他のNotebookを呼ぶとエラーになるケースがある# どういうことか
次のようなフォルダ構成のNotebookがあります“`shell
/Users/xxx@yyy.jp
|-MyNotebook
|-Myノートブック
|-MyNotebookCaller
|-MyNotebookコーラー
|-テスト
|-MyNotebook
|-MyNotebookCaller
“`このうち、以下のケースに当てはまる場合、[dbutils.notebook.run](https://docs.databricks.com/notebooks/notebook-workflows.html#api) を使った別Notebookの呼び出しに失敗しました
– **呼び出し元**Notebookの名前に`日
Djangoでメディアファイルを表示する話
#Djangoでメディアファイルを表示するにはどうしたらいいのか
まずWebサービスでファイル登録を受け付けるにはだいたいこんな感じになります。
ファイル登録
↓
ファイル表示特にDjangoは**ファイルフィールド**、というファイル保存専用のクラスや、
**アップロードフォーム**や、**モデル**というクラスがあるので
結構簡単にできると思います。アップロード側は書くのがめんどくさいので、公式のドキュメントでもおkかも。([ファイルのアップロード](https://docs.djangoproject.com/ja/2.1/topics/http/file-uploads/))
大まかに書くとこんな感じ| Djangoでサポートしてるクラス| 機能 |
|:———–|————:|
| ファイルフィールド | リクエストからファイル情報を受け取り、バイナリデータをディレクトリに、DBにファイルアドレスを記録する |
| アップロードフォーム | モデル(Javaで言うエンティティ)のフィールドに値をセ
深層学習入門 ~畳み込みとプーリング編~
#対象者
前回の記事は[こちら](https://qiita.com/kuroitu/items/a6725ac0139d8eeb1e19)
前回まででDNN(Deep Neural Network)は完成です。
(レイヤーマネージャの使い方も含めて別の記事でDNNで遊ぶ予定です)
ここでは画像認識へ向けてCNN(Convolutional Neural Network)を作成していきます。
ここで用いる`im2col`関数と`col2im`関数は、[こちら](https://qiita.com/kuroitu/items/35d7b5a4bde470f69570)と[こちら](https://qiita.com/kuroitu/items/7877c002e192955c7857)で紹介しています。#目次
– [畳み込み層](#畳み込み層)
– [畳み込み層順伝播](#畳み込み層順伝播)
– [畳み込み層逆伝播](#畳み込み層逆伝播)
– [畳み込み層学習](#畳み込み層学習)
– [畳み込み層実装](#畳み込み層実装)
– [プーリング層](#
教師あり学習1 教師あり学習(分類)の基礎
[Aidemy](https:// aidemy.net) 2020/9/24
# はじめに
こんにちは、んがょぺです!バリバリの文系ですが、AIの可能性に興味を持ったのがきっかけで、AI特化型スクール「Aidemy」に通い、勉強しています。ここで得られた知識を皆さんと共有したいと思い、Qiitaでまとめています。以前のまとめ記事も多くの方に読んでいただけてとても嬉しいです。ありがとうございます!
今回は、教師あり学習の一つ目の投稿になります。どうぞよろしくお願いします。*本記事は「Aidemy」での学習内容を「自分の言葉で」まとめたものになります。表現の間違いや勘違いを含む可能性があります。ご了承ください。
今回学ぶこと
・教師あり学習の概要
・教師あり学習(分類)の種類#教師あり学習(分類)について
##教師あり学習(分類)とは
・前提として、教師あり学習とは「学習データと正解(教師)データを与えて正解するまで思考する方法」であり、これを通じて未知のデータを予測するのが目的。
・教師あり学習は「分類問題」と「回帰問題」に分けられる。今回は分類問題について見ていく。
・
conda-forgeからインストールする
> condaでconda-forgeからインストールする
“`
conda install -c conda-forge asammdf
“`“`
# 優先順位を一番上で追加する
conda config –get channels conda-forge
# 優先順位を一番下で追加する
conda config –append channels conda-forge
“`
dict型,list型,tuple型の違いと共通点
#dict型 list型 tuple型とは?
・dict型
辞書を扱う型です。
{}を使い、{キー1:値1,キー2:値2,キー3:値3}・list型
リストと呼ばれる可変な配列を扱う型
[]を使い、[値1,値2,値3]・tuple型
タプルという不変な配列を扱う型
()を使い、(値1,値2,値3)#要素の追加する
・dict型“`
a={“apple”:1,”orange”:2,”book”:3}
a[“ball”]=4 #要素を追加する
print(a)
“`
“`text:実行結果
a={“apple”:1,”orange”:2,”book”:3,”ball”:4}
“`・list型
.append()を使う“`
a=[“apple”,”orange”,”book”]
a.append(“ball”) #要素を追加する
print(a)
“`
“`text:実行結果
a=[“apple”,”orange”,”book”,”ball”]
“`・tuple型
要素を追加することはできない。
#要素を削除する
削除方法はdict型,lis
【Python】nlplotで企業特徴を把握できたら最&高じゃないですか?
#きっかけ
現在、SEOライティングツールを開発する株式会社EXIDEAで、データ分析のインターンをしています。勤め始めて4ヶ月経ちましたが、コロナの影響で社内の方とまだ一度も面識がありません。が、定期的なオンライン飲み会やデイリーミーティングでどういった特徴を持った方が多いのか?ようやくわかってきました。また、最近の月次ミーティングで**「採用」**という言葉をよく耳にします。ベンチャー企業に限らず、Wantedlyを利用して採用活動に力を入れている企業は多いのではないでしょうか?この記事では、**Wantedlyに投稿したストーリー記事を自然言語の可視化を手軽にできるようにしたパッケージnlplotを使用して、応募者に伝えたい企業特徴や想いを再認識しようというストーリーになります。**Githubにソースコードを公開していますので、よかったらどうぞ。
https://github.com/yuuuusuke1997/Article_analysis#環境
・macOS
・Python 3.7.6
・Jupyter Notebook
・zshシェル#ストーリーの流れ
1.
MSYS2 で pip を使う
“`sh
$ pacman -S python3-pip
$ pip3 install –upgrade pip
“`
Django シフト記号の背景に施設によって色を変える
シフト表は、A B C 休 有 とデータを保有しています。
Aといっても、施設が3つあるのでどの拠点で働くのかをわかりるようにするために、現在はExcelで作成しているため、
セルの色を変えて対応している。![image.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/701342/e8040876-9b8b-e5d7-118b-3bebccc91bbf.png)
エクセルではこんな感じで作成しています。
2拠点を管理し、カフェは別シフト表を作成したのことです。(まだ見ていないので変わっている点があるのかもしれませんが…)Djangoで実現させるときには、シフトテーブルにcolorフィールドを持っているのでそれで管理し表示させることにします。
実装させる中で、気づいたことが有給や休みを選んだ時に、施設を選ぶことができるので休みでも色が付いたりしてしまいます。
入力制御は、forms.pyでやると実装しやすいそうですがまったくやったことがないので、今後、実装させていけたらと思います。色を付ける
量子情報理論の基本:表面符号による論理演算(Brading)
$$
\def\bra#1{\mathinner{\left\langle{#1}\right|}}
\def\ket#1{\mathinner{\left|{#1}\right\rangle}}
\def\braket#1#2{\mathinner{\left\langle{#1}\middle|#2\right\rangle}}
$$## はじめに
[前回の記事](https://qiita.com/SamN/items/c2b6b4c28bae922bc634)でトーラスにマッピングされた格子上に配備された量子ビットを使って、性能の良い誤り訂正符号(表面符号)が構築できるということを見てきました。ところがこのようなトーラスを実際に物理的に作るのはとても難しいですし、表現できる論理量子ビット数はトーラスの穴の数に比例するということなので、この方向で大きな論理ビット数を持った量子コンピュータを作成するのはほぼ不可能と思われます。そこで、トーラスではない単なる平面にある種の欠陥を複数作り、それらを移動させて組み紐のように互いに巻き付け合う(Braidさせる)ことで論理演算を実行で
Chalice を使って AWS Lambda 上に Flask/Bottle のようにWebアプリケーションを構築する
# はじめに
小規模なWebアプリケーションを作成する場合、Pythonでは [Flask](https://flask.palletsprojects.com/en/1.1.x/) や [Bottle](https://bottlepy.org/docs/dev/) を利用できる。
これらのフレームワークは「どのURLに対して」「どのプログラムを動かす」といった対応を Python のデコレータで対応させることで実現できる。
例えば、以下の Flask アプリケーションでは `/` にHTTPアクセスした時に `Hello, World!` を返すWebサーバーを実装しており、ルーティング・レスポンス応答が非常に分かりやすい。“`python:Flaskの公式ページから引用
# https://flask.palletsprojects.com/en/1.1.x/quickstart/
from flask import Flask
app = Flask(__name__)@app.route(‘/’)
def hello_world():
return ‘He
ゼロから始めるDjango(part:1)
# 理由
仕事をしていてDjangoのライブラリに関連するものが多く、一度触ってみたいと思ったため
# 目的
– アプリケーションの作成の流れを理解する
– 使うことができるライブラリを理解する# 参考文献
[はじめての Django アプリ作成、その 1 \| Django ドキュメント \| Django](https://docs.djangoproject.com/ja/3.1/intro/tutorial01/)# 実践
## djangoのプロジェクトのスタート
“`
django-admin startproject mysite
“`
上記コードを実行するとdjango用のプロジェクトを`mysite`という名前で作成してくれる。## プロジェクトの中身
そのプロジェクト構造は以下のようになっている。“`
mysite/
manage.py
mysite/
__init__.py
settings.py
urls.py
asgi.py
wsgi.py
`
PytorchのDatasetを層状にfoldingする
既存の`Dataset`をN-foldするときに、先頭から順に1,2,…N,1,2,…,N,1,2,…,N,1,2,…とデータセットを分割する。時系列データを分割するときに、特定の月や季節にデータが偏らないようにするときに使用する。
“`python
from torch.utils.data import Datasetclass LayeredFoldWrapper(Dataset):
def __init__(self, dataset, n_splits=5, fold=0, valid=False):
self.dataset = dataset
self.n_splits = n_splits
self.fold = fold
self.valid = valid
self.valid_index = list(self._valid_index(len(dataset), n_splits, fold))
self.train_index =
Codeforces Round #486 (Div. 3) バチャ復習(9/23)
#今回の成績
![スクリーンショット 2020-09-23 16.46.13.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/331393/cb8971a4-894e-4371-1850-a4ff4d31e520.png)
#今回の感想
**D問題を永遠にバグらせていたら一時間半を無駄にしました**。E問題も面倒だと思って避けましたが、結果的に場合分けをきっちりしていけばupsolveできたので悔しい限りです。D,E問題共にコーナーケースやバグを発見することができなかったのも今までの反省が生かせていないので次に生かせるように頭の中を整理しておこうと思います。
#[A問題](https://codeforces.com/contest/988/problem/A)
レーティングが異なるようにしたいので、**set構造でレーティングの種類数を数えて**$k$を超えるか判定します。$k$以上の場合は適当な$k$個を出力します。ここでは実装が楽になるようにindexを使いましたが、計算量
ラズパイで今後やりたいことをメモしていく
##この記事は
勉強と興味のためにRaspberryPi 3を買ったはいいが、やってみたいことだらけなのに触る時間がなくやりたいことがどんどん増えていく。
ので、このページに備忘録としてまとめていく。
そういう記事。##やりたいこと
###IoT関係
– 自室の4箇所+窓の外の1箇所に温度センサー(温湿度?)を設置し、一定時間ごとに温度を計測してログをためこむ。最終的にspreadsheetやwebブラウザなどでグラフ化して表示する
参考
[Raspberry Piのセンサーで検出したデータをPythonでテキストログに出力させる – Qiita](https://qiita.com/Brutus/items/d9b06b76dd9bf2c23d1a)
[CO2センサを部屋につけてログを取る – Qiita](https://qiita.com/sgrk/items/366beb3d08f792097f46)
[ログローテーションの設定方法 – Qiita](https://qiita.com/mk34/items/d55e08a5c657e2e022ee)
[Raspb
pythonの文字列に変数を埋め込む方法
#pythonの文字列に変数を埋め込む方法
・ここでは、2つ紹介します。・1,f-string
・2,format()#f-string
先頭にfをつけて定義する文字列“`
a=”apple”
f”I like an {a}”#変数の値で置換
“`“`text:実行結果
I like an apple
“`#format()
文字列内の{}が、メソッドstr.format()の引数に渡した値に置換される。“`
a=”apple”
“I like an {}”.format(a)
“`
“`text:実行結果
I like an apple
“`#複数の引数を置換する
・1.f-string“`
a=”apple”
b=”orange”
f”I like an {a} and an {b}”
“`
“`text:実行結果
I like an apple and an orange
“`2.format()
“`
a=”apple”
b=”orange”
“I like an {} and {}”.format(a,b)
“
VS CodeでFortranをデバッグ設定までやってみる。【Win10】
#初めに
FortranをWindowsでビルド・デバッグする場合は、どういうツールを組み合わせればいいのか調べた。
デバッグでブレークポイントに止まらない問題でやや詰まったが解決。
必要最小限の構成で考えている。#使用するツールや環境
・Windows 10
・Visual Studio Code
※エクステンションは2つ:Modern Fortran、C/C++
・gfortran(フリーのコンパイラ)#1.Fortranコンパイラの準備
・[TDM-GCC](https://jmeubank.github.io/tdm-gcc/)から、「tdm64-gcc-***.exe」をダウンロード
※gccだけど、gfortranも入っている。
・インストールする。fortranのチェックを忘れずに。
![image.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/733028/2af4a9fb-25ce-f643-6f1f-8022bd31caf0.png)
・インストールされたか確認。以下
macOS上にpydicomをセットアップするためのメモ
[公式のセットアップ手順](https://pydicom.github.io/pydicom/stable/tutorials/installation.html) はDebian系のLinux環境を前提としている部分があるため、macOS上でセットアップした際の手順を残しておく
## 環境情報
* macOS Catalina 10.15.6
* Python 3.8.5 on pyenv 1.2.20※Anacondaは利用しない
## セットアップ手順
### pydicom
“`
$ pip install pydicom
“`### Optional libraries
“`
$ pip install numpy
$ pip install pillow
“`### CharPyLS
“`
$ pip install cython
$ pip install git+https://github.com/Who8MyLunch/CharPyLS
“`### GDCM
Anacondaなしでは少々手間のかかる部分
[Install
YOLOを利用した物体検出(python)(【高等学校情報科 情報Ⅱ】教員研修用教材)
# はじめに
YOLO(You Only Look Once)とは、その名の通り人間のように一度見ただけで物体の認識・検出をしてしまうという画期的なアルゴリズムです。
従来の手法に比べて、処理が高速であり物体と背景の認識の区別に強く、汎用化しやすいという特徴を持っています。
今回は、教材内でTiny YOLOとRを使って物体検出を行っている個所を、YOLOとpythonを使用して写真上の物体の検出を行っていきます。# 教材
[高等学校情報科「情報Ⅱ」教員研修用教材(本編):文部科学省](https://www.mext.go.jp/a_menu/shotou/zyouhou/detail/mext_00742.html “高等学校情報科「情報Ⅱ」教員研修用教材(本編):文部科学省”)
[第3章 情報とデータサイエンス 後半 (PDF:7.6MB)](https://www.mext.go.jp/content/20200609-mxt_jogai01-000007843_007.pdf “第3章 情報とデータサイエンス 後半 (PDF:7.6MB)”)# 環境
– ipy