- 1. ABC281回答メモ
- 2. Pycaretによる鋳鉄の黒鉛形状の機械学習
- 3. 推薦システム実践入門まとめ
- 4. PythonとSeleniumとWebDriverとChrome拡張機能でDownload完了判定と待機（追加）
- 5. Databricks にて特定のユーザーのみでアップロードしたファイルを利用する方法
- 6. 【Streamlit】簡易データサイエンスAPPのデモ！
- 7. ラズパイで温湿度・気圧を測定してPlotly Dashで可視化
- 8. 【AtCoder】文系大学生が青色になるまで
- 9. 5行でカッコいい可視化を「WandB」入門
- 10. 【Django】テンプレートの使い方と基礎構文
- 11. 不良品の発見を自動化！AutoEncoderで画像の異常検知にチャレンジ【Python実装あり】
- 12. Prophet で時系列データのトレンドと季節性を予測してみた
- 13. pandasの紹介
- 14. Streamlitで組み合せ最適化問題を可視化してみる
- 15. Blenderでの繰り返し作業をPythonで効率化する
- 16. ラボ環境の自動化に pyATS Clean を活用しよう！
- 17. 【11日目】メッセージオブジェクトのデータ【PythonでDiscordBOTを作ろう！】
- 18. 先生ぇー！Pythonista3 のディレクトリ探索にwebbrowser モジュールは使えますかー？ 〜 使えます 〜
- 19. EventBridgeからEventBridge Schedulerに移行してみる
- 20. Excelファイルを読み込むPythonライブラリを比較してみた
ABC281回答メモ
0.はじめに
Cまではすぐに解けたけど、DはACもらえませんでした。
でも、いつもよりCまでが早かったせいか、レーティングは
30upしました。1.A – Count Down
単純にforを回す問題
カウントダウンなところと、Nと0を出力するところが
若干気にするところでした。https://atcoder.jp/contests/abc281/submissions/37141394
2.B – Sandwich Number
文字列Sが以下のチェックを潜り抜けた場合のみYesを出力
1)Sの長さが8である
2)Sの1文字目と8文字目がチェックリスト1(A-Z)の中にある
3)Sの2文字目がチェックリスト3(123456789)の中にある
4)Sの3～7文字目がチェックリスト2(0123456789)の中にある
ちょっと力技でしたが、回答の速さを優先しました。https://atcoder.jp/contests/abc281/submissions/37147996
3.C – Circular Playlist
最近のC問題に
Pycaretによる鋳鉄の黒鉛形状の機械学習
# はじめに
JIS G5502のISO法による黒鉛球状化率の測定は、組織画像の個々の黒鉛をタイプⅠ～Ⅵの黒鉛形状区分（ISO945-1）と比較して、ⅤとⅥに分類される黒鉛の面積を黒鉛の全面積で割って求めます。ここで、タイプⅤとⅥの黒鉛に分類する方法としては
①丸み係数（＝「黒鉛の面積」÷「黒鉛の長軸を直径とする円の面積」）が0.6以上になる黒鉛をタイプⅤ以上とする
②上記①以外の方法でタイプⅤとⅥに分類する
があります。このうち、①は画像処理で実施できますが、黒鉛形状区分のタイプⅤ、Ⅵの画像について丸み係数だけで分類できるか調べたところ、[以前の記事](https://qiita.com/_Moony/items/6df5e2ffcf3955c1f04c)で紹介したように難しいことが分かりました。
そこで今回は、②の方法を機械学習を用いて試みました。# 方法
– [斎藤氏1)](http://www.iri.pref.niigata.jp/topics/R3/3kin3.html)が紹介された方法にならい、JIS G5502 ISO法で参照しているISO94
推薦システム実践入門まとめ
# 記事概要
この記事は、オライリーの「[推薦システム実践入門](https://www.oreilly.co.jp/books/9784873119663/)」について、私含めた弊社Ubiqの社員がより理解しやすいようにまとめたものです。ひいては弊社社員だけではなく、レコメンド機能に興味がある方全てのひとのためになればと思います。また、この記事は随時更新していくものになっており、全8章ある「推薦システム実践入門」ですが毎週1章ずつ更新していこうと思うので、それまでお待ちいただければと思います。
# 目次
第1章 推薦システム
第2章 推薦システムのプロジェクト
第3章 推薦システムのUI/UX
第4章 推薦アルゴリズムの概要
第5章 推薦アルゴリズムの詳細
第6章 実システムへの組み込み
第7章 推薦システムの評価
第8章 発展的なトピック# 本編
## 第1章 推薦システム
### そもそも推薦システムとは？
推薦システムとは、**「複数の候補から価値あるものを選び出し、意思決定を支援するシステム」** であり、**「複数の候補から価値あるものを選び出し、」** と
PythonとSeleniumとWebDriverとChrome拡張機能でDownload完了判定と待機（追加）
## はじめに
[前回](https://qiita.com/feo52/items/7e95ea37daf05941383c)の続編です。
~~前回の最終的なコードですと、
ダウンロードファイルの拡張子のリネームが完了しない可能性がありますので、~~
Chrome108?で修正されたのかもしれません。[ダウンロードに関する情報](https://developer.chrome.com/docs/extensions/reference/downloads/#type-DownloadItem)の全てのfilenameと、
ダウンロードファイルを比較してリネームが完了しているかを確認します。併せて、
Chrome拡張機能側で判定処理するのではなく、
Python側に持ってきて判定するようにします。## PythonとSeleniumとWebDriverでDownload完了判定とWebDriverWait().until()による待機
[前回の最終的なコード](https://feo52.hatenablog.jp/entry/2022/12/04/080000)を
Databricks にて特定のユーザーのみでアップロードしたファイルを利用する方法
## 概要
Databricks にて特定のユーザーのみで一時的なファイル等をプログラムで利用する方法を共有します。この方法は、思いつきで検証しただけなので、リスクを許容できる場合にのみ利用してください。部署別にデータを配置する方法がないかという相談をよくうけるのですが、DBFS 上にファイルを配置する方法か クラウドストレージ上に配置する方法のいずれかを紹介しております。前者は Databricks ワークスペース上のすべてのユーザーが操作できてしまうというデメリットがあり、後者にはストレージへの認証を実施する必要があるというデメリットがありました。
引用元：[Databricks ファイル システム (DBFS) とは – Azure Databricks | Microsoft Learn](https://learn.microso
【Streamlit】簡易データサイエンスAPPのデモ！
こんにちは。[おもちゃで遊ぶAdvent Calendar](https://qiita.com/advent-calendar/2022/solo-omocha)11日目の記事です。
「俺はJupyter Notebookができるから立派なデータサイエンティストだぜ！」と思ったあなたに！ちょっと待った！もちろんJupyter Notebookは素晴らしい。データ分析、EDA、機械学習、深層学習まで、（ちゃんとしたら）分かりやすく共有することができる。が、**Jupyter Notebookだけじゃないんだ！**
今回のおもちゃは、もしJupyter Notebookに飽きたら、またはデータサイエンスのおもちゃを作りたい時のためのものになります。
# Streamlitとは
Streamlitとは、多くのデ
ラズパイで温湿度・気圧を測定してPlotly Dashで可視化
# はじめに
前回、[ラズパイでCO2濃度を測定してPlotly Dashで可視化](https://qiita.com/take314/items/a5ab8ef6e8773699cb25)しましたが、今回はその続きになります。前回はCO2濃度しか測定できませんでしたが、追加でBME280という温湿度・気圧センサーを購入し、[こちら](https://dev.classmethod.jp/articles/raspberrypi-and-bme280/)を参考にそれぞれ測定・可視化できるようにしました。# やりたいこと
– 温湿度・気圧も可視化できるようにする# 買ったもの
– [BME280使用 温湿度・気圧センサモジュールキット](https://akizukidenshi.com/catalog/g/gK
【AtCoder】文系大学生が青色になるまで
### 【AtCoder】文系大学生がアルゴリズム・ヒューリスティックで青色になるまで?♂️?
ABC265で念願の青色を達成しました?#AtCoder #ABC265 pic.twitter.com/5amuhTkgL1
— cozy_sauna (@cozy_sauna) Aug
5行でカッコいい可視化を「WandB」入門
# ? 目的
この記事の目的は、**WandBとは何かを知り、基本的な使い方をマスターすること**です。
この記事を参照するメリットは以下の点があります。
* WandBの基本的な使い方を押さえられる
* 普段のコードにWandBを導入できるでは早速、WandBを学んでいきましょう!
# ?WandBとは
WandBは**機械学習のプラットフォーム**です。そして、正式名称はWeights & Biasesと言います。
# ✨ WandBでできること
WandBでは、以下のようなことができます。
* モデルの学習記録
* モデル・データセットのバージョン管理
* モデルの性能評価
* 可視化可視化では、Web上で[次](https://wandb.ai/wandb/wandb_example)のようなダッシュボードを作成できます。
## 動作環境
– macOS Monterey
– Python 3.10.8
–
不良品の発見を自動化！AutoEncoderで画像の異常検知にチャレンジ【Python実装あり】
[AMBL株式会社 Advent Calendar 2022](https://qiita.com/advent-calendar/2022/ambl-rd)の11日目の記事です．本稿ではAutoEncoderを用いた画像の異常検知を解説します．
# 不良品の発見を自動化したい
### 画像の異常検知
工業製品の製造ラインにおいて，疵などの欠陥を検知するために人工知能が使われています．正常な製品の中から不良品を自動で検出する技術のことを異常検知と呼びます．製造ライン上に設置したカメラで撮影した画像に対して異常検知を行うため，画像に対して人工知能を適用することになります．
従来は人手でやっていた不良品の検出を人工知能で代替することにより，人件費の削減や検出の精度向上などが期待できます．異常検知が人工知能に完全に代替されれば，人間の労働が不要になるので素晴らしいですネ！そのような素敵な可能性を秘めている人工知能を利用した異常検知について解説します．
### 不良品のデータ収集は難しい
画像に対してよく使われる人工知能の手法として深層学習があります．深層学習を行うためには一般的に大量のデー
Prophet で時系列データのトレンドと季節性を予測してみた
# はじめに
弊社オークファンでは国内外のオークション・ショッピングサイトの過去の商品データを大量に保有しており、それらによる相場検索サービスを提供しています。
この記事では、この商品データの時系列分析をする想定で、次のような流れで実験をしてみます。(1) 真の経時的な振る舞いが分かっている架空の商品データを生成
(2) 商品データを Prophet ライブラリで分析
(3) 真の振る舞いを正しく推測できているか確認## 実行環境・バージョン
– Windows
– Python 3.9
– Jupyter Notebook
– Prophet 1.1.1
– pandas 1.5.2
– Matplotlib 3.6.2
– NumPy 1.23.5# Prophet に関する背景知識
実験の前に、Prophet について簡単に説明します。## 時系列分析と Prophet の関係
時系列分析における Prophet の位置づけを説明するために、時系列分析の手法を次の2つの切り口で分類してみます。
– 数理モデル ×（ツール・ライブラリ等の）実装数理モデル
pandasの紹介
pandasの紹介をしようと思います。
pandasはPythonのライブラリでデータ分析の支援をするツールです。pandasはどんなことができるかに焦点をあてたいと思います。
各メソッドについて教科書的な解説をしないのでご容赦ください。### 前提条件
PythonやPandasのインストール方法などについては割愛します。
実行はJupyter Labで行っています。
Pandasの紹介に当たってデータは厚生労働省のオープンデータからCOVID‑19に関するデータを使用させていただきます。https://www.mhlw.go.jp/stf/covid-19/open-data.html
上記のサイトから次のデータをダウンロードしました。
– 新規陽性者数の推移（日別）
– PCR検査実施人数### pandas
早速pandasでダウンロードした新規陽性者数の推移（日別）のcsvファイルの中身を確認します。
“`python
import pandas as pd
df1 = pd.read_csv(‘newly_confirmed_cases_dail
Streamlitで組み合せ最適化問題を可視化してみる
この記事は[Supershipグループ Advent Calendar 2022](https://qiita.com/advent-calendar/2022/supership)の11日目の記事です。
# はじめに
約1年ぶりの投稿になります。@nao_omotoです。昨年のアドベントカレンダーでは、組み合わせ最適化問題を「解く」というテーマで記事を書きましたので（[とある会社の組織再編を数理モデリングで解決する話](https://qiita.com/nao_omoto/items/e9aa3d5aa44c0df1f68d)）、今年は組み合わせ最適化問題を「可視化する」ということにチャレンジしてみました。温かい目で見ていただけたら幸いです。
構成は次の通りです。
[1. 組合せ最適化問題について](#1-組合せ最適化問題について)
[2. Streamlitについて](#2-streamlitについて)
[3. 可視化①（レーベンシュタイン距離）](#3-可視化①レーベンシュタイン距離)
[4. 可視化②（最短経路）](#4-可視化②最短経路)##
Blenderでの繰り返し作業をPythonで効率化する
## この記事の概要
Blenderの練習をしていて、こちらの動画を見つけました。
ピタゴラスイッチの「きょうのスレスレ」みたいで見ていて楽しく、難しい計算をせずとも作れるので面白かったです。
ただ、動画の5分頃から8分頃までで説明しているように、ひたすら人力でコピペを繰り返していたのでミスってしまいそうだなあと思いました。というわけで、Pythonを使って自動化します。
:::note alert
この記事の内容で問題なく動作はするのですが、スピードが非常に遅いです。
高速化まで至れなかったのですが一旦記事にしました。
:::## Scriptingの説明
Pythonを使う、といっても特別な準備が必要なわけではありません。
BlenderにはScriptingという機能があるので簡単に始められ
ラボ環境の自動化に pyATS Clean を活用しよう！
この記事はシスコの有志による Cisco Systems Japan Advent Calendar 2021 1枚目の 11 日目として投稿しています。
2022年版: https://qiita.com/advent-calendar/2022/cisco (<<<) 2021年版: https://qiita.com/advent-calendar/2021/cisco 2021年版(2枚目): https://https://qiita.com/advent-calendar/2021/cisco2 2020年版: https://qiita.com/advent-calendar/2020/cisco 2020年版(2枚目): https://qiita.com/advent-calendar/2020/cisco2 2019年版: https://qiita.com/advent-calendar/2019/cisco 2018年版: https://qiita.com/advent-calendar/2018/cisco 2017年版: https://qiita.co
【11日目】メッセージオブジェクトのデータ【PythonでDiscordBOTを作ろう！】
# メッセージオブジェクトのデータ
メッセージオブジェクト(`nextcord.Message`)には、データと関数が含まれています。
他にも、多くのオブジェクトにはデータと関数の両方が含まれています。
今回はデータについてご紹介しましょう。# データ
APIリファレンス内で`Attributes`と書かれているところにあるものです。
nextcordであれば以下の通りです。
“`:Attributes
activity
application
attachments
author
channel
channel_mentions
clean_content
components
content
created_at
edited_at
embeds
flags
guild
id
interaction
jump_url
mention_everyone
mentions
nonce
pinned
raw_channel_mentions
raw_mentions
raw_role_mentions
reactions
reference
role_mentions
sticke
先生ぇー！Pythonista3 のディレクトリ探索にwebbrowser モジュールは使えますかー？ 〜 使えます 〜
この記事は、[Pythonista3 Advent Calendar 2022](https://qiita.com/advent-calendar/2022/pythonista3) の11日目の記事です。
https://qiita.com/advent-calendar/2022/pythonista3
一方的な偏った目線で、Pythonista3 を紹介していきます。
ほぼ毎日iPhone（Pythonista3）で、コーディングをしている者です。よろしくお願いします。
以下、私の2022年12月時点の環境です。
“`sysInfo.log
— SYSTEM INFORMATION —
* Pythonista 3.3 (330025), Default interpreter 3.6.1
* iOS 16.1.1, model iPhone12,1, resolution (portrait) 828.0 x 1792.0 @ 2.0) 828.0 x 1792.0 @ 2.0
“`他の環境(iPad や端末の種類、iOS のバージョン違い)では、意
EventBridgeからEventBridge Schedulerに移行してみる
## はじめに
この記事は、[ミロゴス Advent Calendar 2022](https://qiita.com/advent-calendar/2022/milogos) １１日目の記事です。
先月の11/10にEventBridge Scheduler（以降、Scheduler）が発表されました。
[Introducing Amazon EventBridge Scheduler](https://aws.amazon.com/jp/blogs/compute/introducing-amazon-eventbridge-scheduler/)これまで社内システムにてStep Functionsをcronで指定した時刻に実行するために、EventBridge Rule（以降、Rule）を使っていました。
今回、発表されたSchedulerはまさにこのユースケースにはまる内容でした。本記事ではRuleをSchedulerに変える際に、現状実施していることは変えずに移行できるのか確認していきます。
なお、呼ばれるStep Functionsのワークフローは以前に[S
Excelファイルを読み込むPythonライブラリを比較してみた
# はじめに
[フューチャー Advent Calendar 2022](https://qiita.com/advent-calendar/2022/future)の11日目の記事です。
今年の4月にフューチャーに入社し、新人研修・OJTを経て、現在は物流系のPJでシステムの設計を行っています。仕事を行う中で、**Excelファイルを大量に扱う**ときってたまにありますよね。
Excelファイル単体に目を向けると、数式で使用できるExcel関数やVBAを利用してマクロを組むことで割と色々なことができます。
しかし、**大量のExcelファイルに対して、一括して処理を行ったり特定のキーワードを検索したり**となるとちょっと面倒だなってなります。実際の業務でそのようなシーンがあり、その時に**Python**を使ってそのタスクをこなしていきました。
特にPythonを使用した理由はありませんが、ちょっとした処理を書く際にはとても便利です。PythonでExcelを扱うライブラリは複数ありますが、それらを上手く利用してタスクを進める必要がありました。
複数のライブラリを扱うなか
