Python関連のことを調べてみた2022年12月21日

M1 Macで機械学習するためのPython環境構築

## はじめに

はじめまして！ゆってぃーといいます！

突然ですが、皆さんはPythonの実行環境は何を使っていますか？

Anaconda？venv？色々ありますよね。

自分は**Miniforge**を現在使用しています。あくまで個人の意見ですが、**M1 macで機械学習をするならMiniforgeを使うのがベストプラクティス**だと思います。ということで、この記事ではMiniforgeの環境構築の手順を書いていきます。ぜひ参考にしてみてください。

### 補足

google colabolatoryで間に合うならそれで良いと思います。機械学習の実行時間が長すぎてどうしてもローカルで学習を回す必要がある場合、Miniforgeの導入をしていただけたらなと思っています。

(Colabが一番楽！Colab最高！)

## Miniforgeについて

Miniforgeとは、パッケージ管理システムの**conda**をconda-forgeリポジトリで利用するためのツールです。

特徴として、**M1 Macを含むマルチプラットフォームに対応している**ことが挙げられます。

Pythonで簡単なAPIを作成してみた

# はじめに
PythonでAPIを作成するには、次のような手順を踏むことができます。

1.使用するWebフレームワークを選択する。Pythonでは、FlaskやDjangoなどの人気のあるWebフレームワークがあります。

2.Webフレームワークを使用してAPIエンドポイントを作成する。APIエンドポイントは、APIを呼び出すためのURLであり、HTTPリクエストを受け取り、必要に応じてデータを返すものです。

3.HTTPメソッド（GET、POST、PUT、DELETEなど）を使用して、APIエンドポイントを処理する関数を定義する。

4.APIを使用するためのクライアントを作成する。クライアントは、APIを呼び出すためのアプリケーションやスクリプトです。

5.クライアントからAPIを呼び出す。APIを呼び出すには、クライアントは、APIエンドポイントのURLを指定し、必要に応じてHTTPリクエストを送信します。

# コード
“`python
from flask import Flask

app = Flask(__name__)

@app.route(‘/api’

Python初心者がFastAPIでTodo(API)を作ってみた

# Python初心者がFastAPIでTodo(API)を作ってみた

## 前提
Python 3.9
FastAPI 0.88
sqlmodel
sqlite3

***開発環境***
MacBook + VScode

## FastAPIについて
### 特徴

公式より引用

* 高速: NodeJS や Go 並みのとても高いパフォーマンス (Starlette と Pydantic のおかげです)。 最も高速な Python フレームワークの一つです.
* 高速なコーディング: 開発速度を約 200%~300%向上させます。
* 少ないバグ: 開発者起因のヒューマンエラーを約 40％削減します。
* 直感的: 素晴らしいエディタのサポートや オートコンプリート。 デバッグ時間を削減します。
* 簡単: 簡単に利用、習得できるようにデザインされています。ドキュメントを読む時間を削減します。
* 短い: コードの重複を最小限にしています。各パラメータからの複数の機能。少ないバグ。
* 堅牢性: 自動対話ドキュメントを使用して、本番環境で使用できるコードを取得します。
*

Pythonの例外処理を使ってswitch文を実現する

これは [ちゅらデータ Advent Calendar 2022](https://qiita.com/advent-calendar/2022/churadata) の21日目の記事です。

# switch文

switch文とは、ある式の評価結果に応じて複数の処理に分岐させる記法で、C言語をはじめとした複数のプログラミング言語において利用することができます。

例えばC言語だとこのように記述します。

“`c
switch (model_number) {
case “HAC-001”:
printf(“Nintendo Switch”);
break;
case “SWX3220-16TMs”:
printf(“YAMAHA Standard L3 Switch”);
break;
case “WN5001H”:
printf(“Panasonic Full Color Embedded Switch B”);
break;
case “978-4-

AWSのオープンデータとPythonを使って、宇宙から地球を覗いてみよう！


## 初めに

みなさんこんにちは！

宇宙ビジネスってご存知でしょうか？

「宇宙ビジネス」とだけ言われてもあまり想像がつかないかもしれませんが、**GPSやロケットの製造や運用、打ち上げや制御のためのシステム・衛星テレビ配信サービスやその運用・それらを受診するためのアンテナや端末など**、「宇宙」にまつわるものは案外たくさんあります。

リモートセンシングと呼ばれる衛星画像を取り扱った「**地球観測**」もその一つですね。

そんな宇宙ビジネスですが、こちらの記事によると2019年での**市場規模は40兆円**にまで到達しているそうです。

![image.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/203944/828ec7cb-2752-5a6e-e1

ノードエディタ形式の画像処理ツール「Image-Processing-Node-Editor」

:::note info
この記事はOpenCV Advent Calendar 2022の21日目の記事です。
:::
# はじめに
趣味でノードエディタ形式の画像処理ツール「Image-Processing-Node-Editor」を作りました。
その紹介の記事です。中身にOpenCVガッツリ使っているからアドカレOKですよね。。。?？
ガッツリ使っているという意味では、GUI部分の [DearPyGui](https://github.com/hoffstadt/DearPyGui) のほうがガッツリ使っているかもしれませんが?

# 「Image-Processing-Node-Editor」とは
以下のように、ノードを接続していくことで、処理結果を可視化しながら画像処理が行えるツールです。
![](https://user-images.githubusercont

画像をトレースする

# はじめに
今回は、コマンドラインで実行するプログラムをまるでHoudiniのSOPであるかのように:robot:扱う方法について記事を書きたいと思います。
その題材として、ここでは画像をトレースしてベジェ曲線を作成するpotrace SOPを作成します。
既にHoudiniにはTrace SOPというものが存在しますが、それは画像からポリラインを生成するものです。
Houdini19.0からCurve SOPによるベジェ曲線の編集が使いやすくなったこともあり、やっぱりポリポリするよりベジェベジェしたいです:relaxed:
Houdiniに限らずPython単体またはMayaなどの他のDCCでも役に立つようにサンプルのスクリプトを書きたいと思います:muscle_tone2:
# potraceとは
そもそもpotraceって何?って思う人もいると思いますが、**potrace**とは**ビットマップ画像をベクトルデータに変換するオープンソースソフトウェア**です。
公式サイト: https://potrace.sourceforge.net/
マニュアル: https://pot

【Python】統計的検定と検定結果の可視化（t検定・one-way ANOVA・多重比較）

長かった学生生活の最後のクリスマス前に（研究をサボって）人生初のアドベントカレンダー投稿です。内容は悩んだのですが、今後、疎遠になる可能性の高い統計的検定の内容を投稿しようと決めました。（あとは、統計的検定は学生だったら皆さん通る道なのかなと思ったからです。）

表題の通り、統計的検定（t検定、one-way ANOVAと多重比較）とその検定結果の可視化までをすべてPythonでやろうという内容です。この記事は下記のノートブックの内容の説明なので、プログラムだけで良いという方は下をご覧ください。

https://github.com/takato86/vistats/blob/main/examples/scipy_connect_example.ipynb

2022/12/21追記: @WolfMoon さんのご指摘を受けて記事を修正しています。

# 背景
実験計画を立てデータを取得した後、統計的検定を実際に行う場合、いろんな選択肢があるかと思います。多くの人はExcelやRを使うかと思います。自分の研究室では [js-STAR](https://www.kisnet.or.

強化学習を用いたレコメンドを検証してみた件

# はじめに

弊社では現在、レコメンドエンジンの高度化を進めています。その取組みの一貫として、強化学習を用いたレコメンドの検証を行いました。本稿ではその取り組みについて、まとめたいと思います。

# 強化学習とは


機械学習の分野の中でも強化学習は、教師あり学習や教師なし学習とは取り扱う問題の構造が異なります。
教師あり学習は入力と出力（正解ラベル）のペアデータを扱いますが、強化学習は教師なし学習と同様に正解ラベルは扱いません。一方で強化学習の特徴は、正解の代わりに報酬（もしくは罰）を扱います。
また、教師あり学習は入力から出力への変換方法を学習し、教師なし学習はデータに潜む構造や規則性を学習しますが、強化学習はエージェントが環境と相互作用しながら（行動を起こしながら）集めたデータ（環境の状態）を使って高い報酬を得る方策（いわゆるモデ

PyCaretのモデルをONNXに変換すーる（回帰分析、Mac）

# はじめに
PyCaretで作成したモデルをONNXに変換しまーす

# 開発環境
– MacBookPro 2018
– Python 3.8

# 導入

1.anaconda環境作成

~~~
conda create -n py38 python=3.8
~~~