- 1. 初めてFlask使ってECみたいなサイトを作ってみた – 其ノ弐
- 2. Pythonで初めてPandas使ってstripeの商品csvをdbに取り込んでみた
- 3. ArchLinux: Nginx で PHP と Python を使う
- 4. 「ゼロから作る Deep Learning」 1章 学習内容アウトプット １日目
- 5. 「ゼロから作る Deep Learning」 学習内容アウトプット 序章
- 6. 人工衛星の軌道をPythonでアニメーションにしてみよう
- 7. Pythonでバブルチャートを書いてみる
- 8. Pythonを使って簡単なWebスクレイピング
- 9. DS初心者インターン生が市場調査NLPシステムを作るまで①～スクレイピング編
- 10. これから
- 11. 【polars】データ分析時の操作と動作イメージ
- 12. マーケティング施策の効果検証における回帰不連続デザインの応用
- 13. [Python 学習] for をつかったループ処理
- 14. 1.for文には以下の特徴があります
- 15. 2. 文字列を繰り返し出力する
- 16. 3.リストを作成して中身の要素を順番に出力する
- 17. PyTorchを参考書だけで勉強する
- 18. LUKEをJGLUEのJSTSとJNLI向けにファインチューニングする方法
- 19. VOICEBOXにナレーションをしてもらう(2023.02.12)
- 20. class-based viewとfunction-based viewの違い
- 21. 【Python】EC2インスタンスの起動からIP取得・応用まで
- 22. 循環小数の途中の桁を求める
- 23. RaspberryPi3 B+で集電赤外線センサーを使ってみた
初めてFlask使ってECみたいなサイトを作ってみた – 其ノ弐
# tl;dr
* stripeを使うことで、簡単に決済ページ周りを作れました
* SQLite3を使ってDBを作成、データをDB経由にて管理できるようにしました
* ユーザーが個人情報を入力するRegistrationページを作りました### Summary
前回の続きとして、ECサイトのページを追加作成したました。決済ページ(stripe)、商品詳細ページを追加作成し、また各商品はsqlite3のデータベースに保存しました。データベースの商品をindexに表示させ、前回 `checkout` , `thanks`ページとしていた個人情報入力、表示画面は `registration` ページとして、取得したユーザーデータはデータベースに保存。全体のページ構成を整理しました。### サイト状態
:
conn = sqlite3.connect(‘products.db’, isolation_level=None)df_product = pd.read_csv(‘c
ArchLinux: Nginx で PHP と Python を使う
ArchLinux の Nginx の設定ファイルは、/etc/nginx/nginx.conf です。
PHP と Python を使う設定です。
PHP だけを使う設定はこちら
[ArchLinux: Nginx で PHP を使う](https://qiita.com/ekzemplaro/items/9ef3de4ff32956873593)## インストール
“`bash
sudo pacman -S nginx
sudo pacman -S php-fpm
sudo pacman -S fcgiwrap
“`## 設定ファイル
“`text:/etc/nginx/nginx.conf
worker_processes 1;events {
worker_connections 1024;
}http {
include mime.types;
default_type application/octet-stream;
sendfile on;
keepalive_timeou
「ゼロから作る Deep Learning」 1章 学習内容アウトプット １日目
学んだことをアウトプットしています。完全に自己満足ですので悪しからず。
以下の点を確実にアウトプット
①何で学んでるか
②日々の学習内容
③学びのポイント
④制作物
⑤+αで参考にした記事
⑥+αでやってみたこと①１章 Python入門
②
・pythonとは何か？
⇒科学、特に機械学習やデータサイエンスの分野でよく使われるプログラミング言語。
・pythonインストール
⇒Anacondaディストリビューションの利用
※ディストリビューションとは？
ユーザーが一括してインストールできるように必要なライブラリなどが一つにまとめあげられたもの。
・Pythonインタプリタ
⇒「対話モード」とも呼ばれる。ユーザーとPythonが対話的にプログラミングを行うことが可能。
・Pythonでの算術計算方法
⇒普通の計算入力と同じだが、累乗のみ注意
・データの型
⇒type関数で確認が可能
例）int：整数型 float：浮動小数点型 str：文字列型
・変数
⇒x、yなどのアルファベットを使用して変数を定義可能
Pythonは動
「ゼロから作る Deep Learning」 学習内容アウトプット 序章
オイラリージャパンから発行されている
「ゼロからつくる Deep Learning」の学習内容を
アウトプットしていきます。
人工衛星の軌道をPythonでアニメーションにしてみよう
（ほかのアニメーション画像も記事の下のほうにあります）
## はじめに
私たちはGPS衛星（をはじめとした、ガリレオ、みちびき、などのGNSS衛星）との位置関係を用いて自分の居場所を正確に知ることができます。ということは、それらの**人工衛星自体**が今どこを飛んでいるのかもきっと取得できるはずです。
少し調べてみたら、実はGPS/GNSSの衛星というのは、衛星の現在位置そのものを送信しているわけではなく、軌道を表すためのパラメータ（＝軌道要素）を送信していることがわかりました。利用者側は、その軌道要素をもとに衛星の現在位置を手元で計算するわけですね。
そして、人工衛星の軌道というのは当然ながら様々な機関に監視されているため、軌道要素のデータは、GPSデバイスなどで直接受信せずとも、[CelesTrak](http://celestrak.org/) などのサイトから誰でもダウンロードできることも知りました（※ただし、実際の測位で使うもので
Pythonでバブルチャートを書いてみる
# はじめに
前回は仮のデータでバブルチャートを書きましたので、今回は実際の特許データを使用してバブルチャートを作りたいと思います。分析に使用する特許データは、前々回クロス集計に使用したデータと同じです。# プログラム
## データの前処理
データの前処理部分については、前々回のクロス集計と同じです。処理としましては、特許データから、出願人とＦＩのtop10のデータフレームを作成しています。しかし、自分で書いたコードではあるものの、時間がたちますと、自分でもどういう内容か忘れています。やはり、コード中にこまめに説明を入れておくことが初心者には重要と思いました。
“`Python
! pip install japanize-matplotlib
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import matplotlib.cm as cm
import japanize_matplotlib
# googleドライブの利用
from google.colab import
Pythonを使って簡単なWebスクレイピング
# 概要
リハビリ2本目です。本記事では、Pythonを使ったWebスクレイピングの方法について紹介します。Webページの情報を取得するための「Requests」ライブラリ、HTMLの情報から必要な情報を抽出するための「BeautifulSoup」ライブラリ、Webページから画像をダウンロードするための「BytesIO」と「PIL」ライブラリについて説明します。これらを用いることで、簡単かつ効率的なWebスクレイピングが可能になります。# Webページの情報を取得する
Webページの情報を取得するためには、「Requests」というライブラリを使います。このライブラリを使うことで、Webページの情報を簡単に取得することができます。次のようなコードを書くことで、Webページの情報を取得することができます。“`Python
import requestsurl = ‘https://www.example.com/’
response = requests.get(url)
html = response.text
print(html) #urlはサンプルなのでエラー
DS初心者インターン生が市場調査NLPシステムを作るまで①～スクレイピング編
## この記事は
まずは結論から遡っていきましょう。
筆者が作ったシステムがこちらです。
https://github.com/konbraphat51/Sentiment-Analyzer
* 5chからのスクレイピング
* 学習データを作成するラベル付けソフト
* 分析対象に関する重要単語、そしてその印象の良し悪しを機械学習で算出し、その関連単語とともに表示
* キーワードの時系列の印象良し悪しの変遷を表示
上記のリンク内でも下記の記載がありますが、pandasと比較して高速である点はもちろんのこと、書きやすさ・読みやすさの面でも非常に優れたライブラリだと思います。
>Polarsはその高速さを売りに紹介されることが多いのですが、書きやすさとか使いやすさの面でもいいぞ！という主張でした。本記事では基本的にはデータ分析時によく使用する操作をスニペット的に残しつつ、`Expression`などpolars独自の概念や挙動については、簡単な例や図を交えながら（私の想像する）動作イメージも交えてご紹介したいと思います。
# ひとまず使用するデータセット
公式のユーザーガイドにも登場する下記のポケモンデータセットを使用します。(途中で使うデータが変わります）
https://gist.github.com/ritchie46/cac6b33
マーケティング施策の効果検証における回帰不連続デザインの応用
# はじめに
クーポン施策を例に、マーケティング施策の効果検証に回帰不連続デザイン(RDDあるいはRD)を応用する手法について、Pythonによるシミュレーションを交えてまとめました。内容に誤り等ございましたら、ご指摘いただけますと幸いです。# マーケティング施策の効果検証
CRM施策の一環として会員に割引クーポンを配布し、「クーポンの効果」すなわち「クーポンがどれほど会員の購入率に影響を与えたか？」を検証する例を考えます。このとき、クーポンの効果を「クーポンが配布されてから2週間以内にクーポンを利用した人の購入率が、クーポンがなかった場合どれほど減少したか」とします。
## 理想的な効果検証
クーポン施策の効果検証を行う際に理想的な方法は「クーポンの配布（処置）を**ランダムに**割り付ける」という方法です。ここで、記号を以下のように設定します。
– $Y$: 商品の購入（購入した場合1, 購入しなかった場合0）
– $Z$: クーポンの配布（配布された場合1, 配布されなかった場合0）
– $D$: クーポンの利用（利用した場合1, 利用しなかった場合0）
– $P(
[Python 学習] for をつかったループ処理
## はじめに
1.for文には以下の特徴があります
- 文字列を繰り返し出力する
- リストの中の要素を一つずつ出力する
- while と違い繰り返し処理の回数が決められている
2. 文字列を繰り返し出力する
“`main.py
for i in range(10): # 10回繰り返し処理を行う
print(‘YOU’) # 出力する文字列
“`3.リストを作成して中身の要素を順番に出力する
“`index.py
alp = [“Apple”, “Orange”, “Srawberry”, “Kiwi”]for i in alp: # alpのリストの各要素を変数iに代入していく
print(i) # 順番に変数iに代入された各要素を出力する
“`「for i in alp」は、「for i in range(4)」に書き換える場合、「print(i)」ではなく
「print(a
PyTorchを参考書だけで勉強する
Qiita投稿練習のために良い題材がないか探していたところ，最近読んで良かった参考書があったので紹介させていただきます．
# 動機
大学の卒業研究のなかでPyTorchのコードを読む必要が生じた．
# PyTorchとは
> PyTorchとは、Pythonのオープンソース機械学習ライブラリ(Deep Learningライブラリ)です。
> PyTorchで「パイトーチ」と読み、2016年1月15日、Facebookの人工知能研究グループにより初期開発されました。初版が公開された2016年から徐々に注目を集め、現在ではPythonの機械学習ライブラリとして高い人気を誇ります。
# 参考書
今回はこちらの参考書を使いました．
[最短コースでわかる PyTorch &深層学習プログラミング](https://www.amazon.co.jp/%E6%9C%80%E7%9F%AD%E3%82%B3%E3%83%BC%E3%82%B9%E3%81%A7%E3%82%8F%E3%81%8B%E3%82%8B-PyTorch-%E6%B7%B1%E5%B1%A4%E5%AD%A6%E
LUKEをJGLUEのJSTSとJNLI向けにファインチューニングする方法
こんにちにゃんです。
水色桜（みずいろさくら）です。
今回はJGLUEの中でもJSTSとJNLIをLUKEで解くためのコードについて、書いていきたいと思います。（私自身の備忘録も兼ねて）
今回作成したモデルは[こちら(hugging face)](https://huggingface.co/Mizuiro-sakura)で公開しています。
ぜひ使ってみてください。
もし記事中で不明な点や間違いなどありましたら、コメントもしくはTwitter（@Mizuiro__sakura）までお寄せいただけると嬉しいです。# 環境
pandas 1.4.4
numpy 1.23.4
torch 1.12.1
transformer 4.24.0
Python 3.9.13
sentencepiece 0.1.97# LUKE
2020年4月当時
VOICEBOXにナレーションをしてもらう(2023.02.12)
# 概要
2022年、Stabel Diffusionがフリーで公開されてから、様々な生成系AIがかなりのクオリティで出てきました。触発されて何か記事を書きたいなと思っていたのですが、まずはリハビリで簡単な記事を書きます。# 今回したい事
本当は、いろんなAIを使ってみた系の記事も書いてみたい所ですが、今回は「VOICEBOX」を使って「ずんだもん」にナレーションをしてもらおうと思います。# ナレーションする記事
この記事でも良いのですが、今回は私が以前投稿した記事「[畳み込みニューラルネットワークについて(2022.6.29)](https://qiita.com/tan0ry0shiny/items/661989f59f3948eba2a2)」を読んでもらおうと思います。# 完成したナレーション
単にテキストを作って、音声に直しただけです。多少、手直ししました。畳み込みニューラルネットワークについて class-based viewとfunction-based viewの違い
# class-based viewとfunction-based viewの違い
本稿ではDjangoの実装でよく用いられるけど、似ているからごっちゃになる2つについて説明します。## イメージでとらえる
具体的な説明に入る前に、まずはイメージで捉えていきたいと思います。
– class-based view：お惣菜
– function-based view：料理
です。お惣菜は、便利です。料理をしたくないときに買ってきたら、すぐ食べることができるし、一定のおいしさは担保されています。しかし、「もうちょっと味濃かったらな」とか「具材の組み合わせがなんか違う」といったような融通の利かなさが出てくるかもしれません。
一方で料理はめんどくさいです。献立を決めて、食材を選び、調理をしなくては食べれません。おいしさだって「砂糖と塩を間違える」といったべたなミスや、「焼きすぎ、煮込みすぎ」などの調理ミスで左右されます。しかし、自分の思うように作ることができます。味も食材も自分の自由です。class-based viewとfunction-based viewも同じ関係です
【Python】EC2インスタンスの起動からIP取得・応用まで
# はじめに
はじめまして。私は執筆時大学2年生で、インフラ系の企業で実習中でした。
その際に初めてAWSの機能の一つであるEC2に触れました。そこで、
「いちいち起動して、IP取得してTeratarmにIP打ってってやるのめんどくね…？」と思い居ても立っても居られなくなった瞬間VScordを開きプログラムを組んでいました。同じ気持ちになった人も何人かいるのではないでしょうか…？
今回は初投稿でまだ未熟なところもあるかもしれませんが一人でも多くの悩みが解決できれば幸いです。
それではやってみましょう！# この記事の対象
・ AWSに初めてもしくは久々に触った人
・ Pythonが少し読めるくらいの人
・ めんどくさいけど楽にする気がある人# 環境
– EC2側
– インスタンスタイプ ： t2.micro(無料使用枠)– Host側
– OS ： Windows11
– Pythonバージョン : 3.9.10# 簡単なフロー
今回私は、
1. パス、名前、boto3の設定
1. EC2の起動
1. グローバルIPの取得
1. Wクリックす
循環小数の途中の桁を求める
循環小数の途中の桁を求める問題として以下の例題を考えます。
**【例題】分母が$10^6$以下の素数の単位分数（分子が１のもの）で、循環節が最長の循環小数の小数以下の桁$N=10^5$から10桁を求めよ**
### 最長の循環小数の分母の素数
これに関しては[Project Euler】Problem 26: 循環小数](https://qiita.com/masa0599/items/f4a24477092534c29a56)で解説しましたので参考にしてください。分母の素数の答えは$999983$になります。この時、循環節の長さは1引いた$999982$となるのでそれを全部求めるのは、かなり大変です。
### 求める部分を整数部に持ってくる
小数以下$N$桁から10桁を求めるので、分子を$10^{(N+10)}$倍すれば求める部分が整数部に出て来ます。それを$10^{10}$で割った余りが求める数となりますが、このやり方だと$10^5$桁の不必要な部分を求めているので非効率です。
“`python
N, w = 10**5, 10
d = 999983
print(f
RaspberryPi3 B+で集電赤外線センサーを使ってみた
rightです。
今回はRaspberryPi(以降ラズパイ)で集電赤外線センサーを使用してみました。
人や動物など温度を持つ物体は赤外線を放出しています。
集電赤外線センサーは、この赤外線を感知して人や動物の有無を検知できるので、
人感センサーとして使用できます。# 1.環境
### [H/W]
– Raspberry Pi3 Model B+ (以降ラズパイ)
– 集電赤外線センサー(HC-501)
– 発光ダイオード(赤) (以降LED)
– 抵抗(100Ω)
– ジャンパー線### [S/W]
– Python3 (Ver.3.9.2)
– OpenCV2 (Ver.4.6.0)
– NumPy (Ver.1.23.1)
“`
$ python3
Python 3.9.2
>>> import cv2
>>> cv2.__version__
‘4.6.0’
>>> import numpy
>>> numpy.__version__
‘1.23.1’
“`
### ライブラリ更新手順
https://qiita.com/right_engineer/items/9
