- 1. EC2 amazon linux にPythonを入れてみよう 入門２ 仮想環境やライブラリ構築
- 2. EC2 amazon linux にPythonを入れてみよう 入門
- 3. ノーズカーブとニュートンラフソン法
- 4. 【Atcoder解法検討】ABC132 A~D Python
- 5. ABC371回答メモ
- 6. Moviepyを使っていたけど、FFmpeg.exe＋ffmpeg-pythonに乗り換えようかなと考えている話
- 7. エクセル表をMarkDown形式にしてQiita記事に載せる
- 8. クラスから関数情報を自動生成するツール：ToolsInspctor
- 9. 統計学の基礎、標本分散と標準偏差をPythonを使って理解する
- 10. wslでmanim その23
- 11. paizaラーニング問題集「【漸化式】 3項間漸化式1」を解いてみた
- 12. paizaラーニング問題集「3項間漸化式1」を解いてみた
- 13. 送電線における電圧降下の近似式と誤差について
- 14. paizaラーニング問題集「特殊な2項間漸化式2」を解いてみた
- 15. 統計学の基礎、データの変動性(範囲、中央値、四分位範囲、箱ひげ図、外れ値)をPythonで理解する
- 16. paizaラーニング問題集「特殊な2項間漸化式1」を解いてみた
- 17. OCR vs OpenAIで表を解析してみた！精度の比較と課題を徹底検証
- 18. データ拡張2
- 19. wslでmanim その22
- 20. 推論の連鎖。GPTにも自由を。まずは彼の話を聞こうじゃないか。
EC2 amazon linux にPythonを入れてみよう 入門２ 仮想環境やライブラリ構築
Amazon EC2のAmazon LinuxインスタンスにPythonライブラリをインストールする方法を説明します。以下の手順に従ってください。
1. **EC2インスタンスに接続**:
“`bash
ssh -i “your-key.pem” ec2-user@your-ec2-instance.amazonaws.com
“`2. **パッケージインデックスを更新**:
“`bash
sudo yum update -y
“`3. **Python3をインストール**:
“`bash
sudo yum install python3 -y
“`4. **仮想環境を作成**:
“`bash
python3 -m venv myenv
“`5. **仮想環境を有効化**:
“`bash
source myenv/bin/activate
“`6. **pipを使用してライブラリをインストール**:
例えば、`requests`ライブラリをインストー
EC2 amazon linux にPythonを入れてみよう 入門
AWS EC2 インスタンスに Python をインストールする方法について説明します。以下の手順に従ってください。
### Amazon Linux 2 の場合
1. **パッケージリストの更新**:
“`bash
sudo yum update -y
“`2. **Python 3 のインストール**:
“`bash
sudo yum install python3 -y
“`### Ubuntu の場合
1. **パッケージリストの更新**:
“`bash
sudo apt update
“`2. **Python 3 のインストール**:
“`bash
sudo apt install python3 -y
“`3. **pip のインストール**:
“`bash
sudo apt install python3-pip -y
“`### Python と pip のバージョン確認
インストールが完了したら、以下のコマンドでバージョンを確認で
ノーズカーブとニュートンラフソン法
# はじめに
変圧器のタップ切り替えによる電圧不安定現象はノーズカーブを用いて説明することができる。そこで今回は、受電電力から受電端電圧を導出する関数を用いて、受電端電圧が与えられているという条件のもとで受電電力の有効電力成分を方程式を解くことでノーズカーブを描写する。ただし、方程式の解の近似値を求めるために、本記事ではニュートンラフソン法を用いるものとする。# モデル
## 方程式の導出
以下のような短距離送電モデルを考える。
受電端電力を$\dot{S_r}=P_r+jQ_r$とおくと、
“`math
\dot{S_r}=V_r\bar{I}
“`と表すことができる。したがって、
“`math
\bar{I}=\frac{\dot{S_r}}{V_r}=\frac{P+jQ}{V_r}
“`となる。ここで、両辺の
【Atcoder解法検討】ABC132 A~D Python
## A – Fifty-Fifty
#### 問題ページ : [A – Fifty-Fifty](https://atcoder.jp/contests/abc132/tasks/abc132_a)
### 考察
標準入力、条件分岐、出力。
条件分岐が少し難しいですが、文字列Sに含まれる各文字sの数をS.count(s)でカウントし全て2個であれば”Yes”、それ以外の数字があらわれば”No”となります。
### コード
“`python
S = list(input())ans = “Yes”
for s in S:
if S.count(s) != 2:
ans = “No”print(ans)
“`## B – Ordinary Number
#### 問題ページ : [B – Ordinary Number](https://atcoder.jp/contests/abc132/tasks/abc132_b)
### 考察
nが小さいので全探索でとけます。
$p[i]$が2番目に小さいという条件は、$p[i-1] < p[i] <
ABC371回答メモ
# 0.はじめに
企業名を冠していないノーマルコンテスト。
C問題が難しいと言うかめんどいと言うかだったので
D問題を見たら簡単で解けました。
と、いうわけでABDの3問クリアでレートは+21となりました。# 1.A – Jiro
しょっぱなからややこしい問題。
最初はIF文で条件分けしようと思いましたが
取りうる値が少ないので＜＞を３つtupleで辞書のkeyにし
key毎に次男となる人を値に保持し
読み込んだ値をもとに辞書の値を表示するようにしました。~~~
#辞書の値
D[(“<","<","<")]="B" #CBA D[("<","<",">“)]=”C” #BCA
#D[[“<",">“,”<"]]="x" #xxx 矛盾した組み合わせ D[("<",">“,”>”)]=”A” #BAC
D[(“>”,”<","<")]="A" #CAB #D[[">“,”<",">“]]=”B” #xxx 矛盾した組み合わせ
D[(“>”,”>”,”<")]="C" #ACB D[(">“,”>”,”>”)]=”B” #ABC
~~~https://at
Moviepyを使っていたけど、FFmpeg.exe＋ffmpeg-pythonに乗り換えようかなと考えている話
## HDR動画をSDR動画にトーンマッピングでいい感じで速く処理したかった
動画編集アプリを作成しています。https://qiita.com/calcMCalcm/items/178901c752f6cef481f1
動画編集アプリでは、動画を入力し、フレーム単位でopencvで処理した後、一時ファイルとして動画にし、元動画の音声をつけて、動画に最終出力しています。
| 順 | 処理内容 | 使用ライブラリ |
|:-:|:-:|:-:|
| 1 | 動画の入力 | opencv |
| 2 | フレームごとに四角枠を描きだし | opencv |
| 3 | フレームを動画ファイルへ一時書き出し | opencv |
| 4 | 音声分割 | moviepy |
| 5 | 音声を結合、最終出力 | moviepy |作成しているアプリはゲームキャプチャの動画を対象としています。
最近のゲーム動画は、WindowsのAutoHDRの機能で、HDR動画となっています。
このようなHDR動画をアプリに投入すると、全体に白っぽいSDR動画として出力されてしまうのを改善した
エクセル表をMarkDown形式にしてQiita記事に載せる
# はじめに
エクセルの表をQiitaの記事に載せる場合、図として貼り付けていたが、pandasの機能を使えば、pythonを2行記述するだけで簡単に変換できた。# 手順
前提として、“`pandas“`と“`tabulate“`をpipで取得すること。“`pandas“`だけだと、“`tabulate“`がないと怒られる。“`data.xlsx“`の“`Sheet1“`の表をMarkDown形式に変えたい場合は下記の通り。
“`python:
import pandas as pd# たったこの2行
df = pd.read_excel(‘data.xlsx’,sheet_name=’Sheet1′)
print(df.to_markdown())”’出力結果
| | 期間 |
クラスから関数情報を自動生成するツール：ToolsInspctor
※ この記事は生成AIを用いて作成されました。
## はじめに
OpenAIのFunction Callingを使うとAIモデルに特定の関数を呼び出す能力を与えられます。ただこの機能を使用するためには、関数の詳細な情報（名前、説明、パラメータなど）をリスト形式で提供する必要があります。この設定ファイルを皆さんどうやって作ってるのでしょうか。
恐らくベストプラクティスがあるのでしょうが、ちょっと調べて見当たらなかったので、自分用にクラスから生成するコードを作成してみました。他に良い方法があったら是非シェアして欲しい。
## GitHubリポジトリ
https://github.com/masa-codehub/tools_inspector.git## ToolsInspctorの概要
ToolsInspctorは、Pythonの`inspect`モジュールを活用して、クラスのメソッド情報を詳細に解析し、構造化されたデータとして出力します。主な機能は以下の通りです：
1. クラスのメソッド情報の抽出
2. パラメータの型情報の取得
3. ドキュメント文字列（docstri
統計学の基礎、標本分散と標準偏差をPythonを使って理解する
## 概要
データ分析や統計学において、データのばらつきや分散を理解することは非常に重要です。本記事では、標本分散と標準偏差について解説し、正規分布に近いデータセットを用いてPythonでこれらの統計量を計算する方法を紹介します。文章はGPT O1-previewで書いていています。
## はじめに
標本分散：サンプル内のデータが平均からどれだけ離れているかを示す指標。
標準偏差：分散の平方根で、データのばらつきを元の単位で表します。## 分散と標準偏差の基礎
### 分散とは
分散は、データポイントが平均値からどれだけ散らばっているかを示します。各データポイントと平均値の差の二乗の平均を計算して求めます。“`math
s^2 = \frac{1}{n – 1} \sum_{i=1}^{n} (x_i – \bar{x})^2
“`“`math
s^2 ：標本分散
“`
“`math
n ：サンプルサイズ（データの総数）
“`
“`math
x_i ：各データポイント
“`
“`math
\bar{x} ：標本平均
“`###
wslでmanim その23
# 概要
wslでmanimやってみた。
練習問題やってみた。# 練習問題
next_toを使え。# 参考にしたページ
https://infograph.tistory.com/128
# 成果物
# サンプルコード
“`
from manim import *
class NextToTest(Scene):
def construct(self):
dir_str = [‘ORIGIN’, ‘LEFT’, ‘RIGHT’, ‘UP’, ‘DOWN’, ‘UL’, ‘UR’, ‘DL’, ‘DR’]
dir_list = [ORIGIN, LEFT, RIGHT, UP, DOWN, UL, UR, DL, DR]
for str, d in zip(dir_st
paizaラーニング問題集「【漸化式】 3項間漸化式1」を解いてみた
▼感想：
前の問題である 3項間漸化式1 を踏まえて
比較的簡単にコードを書くことができました。▼コード：
“`py
########## 処理0(準備) インプット,リスト定義など ###########Q = int(input())
########## 処理1 漸化式の定義、計算 ##########
a = [1]*(40+1)
for i in range(3,40+1):
a[i] = a[i-1] + a[i-2]
########## 処理2 入力kに応じた値を出力 ##########
for _ in range(Q):
k = int(input())
print(a[k])
“`
paizaラーニング問題集「3項間漸化式1」を解いてみた
▼感想：
前の問題である 特殊な2項間漸化式1,2 を踏まえて
比較的簡単にコードを書くことができました。▼コード：
“`py
########## 処理0(準備) インプット,リスト定義など ###########k = int(input())
########## 処理1 漸化式の定義、計算、出力 ##########
a = [1]*(40+1)
for i in range(3,40+1):
a[i] = a[i-1] + a[i-2]
print(a[k])
“`
送電線における電圧降下の近似式と誤差について
# はじめに
送電線における電圧降下の近似式は、送電端電圧と受電端電圧の位相角の差である相差角が小さければかなりの精度で電圧降下を推定することができるとされている。しかし、それらを定量的に考察した文献は少ないように思える。そこで、今回はPythonによる数値解析とグラフ化を用いて、誤差と相差角と送電線のインピーダンスにはどのような相関関係があるのかを考察する。
# モデル
## 導入
以下のような回路設定で考える。
ここで、$\dot{Z}$は負荷側の
paizaラーニング問題集「特殊な2項間漸化式2」を解いてみた
▼感想：
前の問題である 特殊な2項間漸化式1 を踏まえて
比較的簡単にコードを書くことができました。▼コード：
“`py
########## 処理0(準備) インプット,リスト定義など ###########x,d_1,d_2 = map(int,input().split())
Q = int(input())########## 処理1 漸化式の定義、計算 ##########
a = [x]*(1000+1)
for i in range(2,1000+1):
if i % 2 != 0:
a[i] = a[i-1] + d_1
else :
a[i] = a[i-1] + d_2########## 処理2 入力kに応じた値を出力 ##########
for _ in range(Q):
k = int(input())
print(a[k])
“`
統計学の基礎、データの変動性(範囲、中央値、四分位範囲、箱ひげ図、外れ値)をPythonで理解する
## 概要
データ分析において、データの分布や変動性を理解することは非常に重要です。本記事では、範囲、中央値、四分位範囲（IQR）、四分位数、箱ひげ図、そして外れ値について説明し、Pythonを使ってこれらの概念を実際に計算・可視化する方法を紹介します。文章とコードはすべてChatGPTo1-previewで書いています。
### 範囲 (Range)
範囲はデータの最大値と最小値の差で、データの全体的な広がりを示します。極端な値に敏感で、データセットに外れ値がある場合、その影響を大きく受けます。例：学生のテストスコアが55点から95点までの範囲がある場合、範囲は95点 – 55点 = 40点となります。
### 中央値 (Median)
中央値はデータを小さい順に並べたときの中央の値です。データの中心的な傾向を示し、平均値と比べて外れ値の影響を受けにくい特徴があります。
例：データセットが[55, 65, 70, 75, 80, 85, 90, 95]の場合、中央値は77.5点（75点と80点の平均）です。
### 四分位数 (Quartiles)
四分位数はデータ
paizaラーニング問題集「特殊な2項間漸化式1」を解いてみた
▼感想：
前の問題である 2項間漸化式1,2 を踏まえて
比較的簡単にコードを書くことができました。▼コード：
“`py########## 処理0(準備) インプット,リスト定義など ###########
x,d_1,d_2,k = map(int,input().split())
########## 処理1 漸化式の定義、計算、出力 ##########
a = [x]*(1000+1)
for i in range(2,1000+1):
if i % 2 != 0:
a[i] = a[i-1] + d_1
else :
a[i] = a[i-1] + d_2print(a[k])
“`
OCR vs OpenAIで表を解析してみた！精度の比較と課題を徹底検証
# はじめに
先日、「OCRとOpenAIの比較」や「宝くじの番号をOCRで一括確認する方法」に関する記事を投稿しました。主に画像内の文字や数字の認識精度を比較した内容です。詳しくは以下の記事をご覧ください。https://qiita.com/ogi_kimura/items/f6b8e3426349767e8f7b
https://qiita.com/ogi_kimura/items/d2dd5466f3e1e125f6e4
今回は、表形式の画像に焦点を当てて、OCRとOpenAIの認識精度を比較してみようと思います。
私自身は現在、別の業務の傍ら「特許情報検索システム」の開発を進めています。特許情報には文章だけでなく、図や数式、表なども含まれるため、それらの内容を正確に読み取る技術が
データ拡張2
## はじめに
前回の[記事](https://qiita.com/cnysntry/items/617aba4829ed7b3c08ac)で少ない画像データを回転や平行移動などを行い、増やす手段について記載したが、これをそのままディープラーニングの教師データとして使うことができないことが発覚した。
今回は備忘録として何に躓き、どうやって解決したかについて記載する。## 問題点
前回は教師データとして以下のデータ拡張方法を採用した。
– 画像の反転
– 画像の回転
– 平行移動
– グレースケールデータ拡張後のデータには、RGBの**24ビットデータ**とグレースケールの**8ビットデータ**が混在した状態になってしまいました。KerasのConv2DやInputオブジェクトでは入力画像のshape（縦, 横, チャンネル数)を指定してモデルを作成しますが、チャンネル数が混在した教師データを使うと学習中にエラー終了してしまいます。
また、データ拡張を行うために使用した入力画像データは、画像サイズがバラバラで混在していてこれらの画像データも教師データに紛れていました。## 解
wslでmanim その22
# 概要
wslでmanimやってみた。
練習問題やってみた。# 練習問題
おっぱい関数を表示せよ。# 参考にしたページ
https://qiita.com/otupy/items/56887ddcd52c6bd2f07f
# 成果物
# サンプルコード
“`
from manim import *
def oppai(y, t):
x_1 = (1.5 * np.exp((0.12 * np.sin(t) – 0.5) * (y + 0.16 * np.sin(t)) ** 2)) / (1 + np.exp(-20 * (5 * y + np.sin(t))))
x_2 = ((1.5 + 0.8 * (y + 0.2 * np.sin(t)) ** 3) * (1 +
推論の連鎖。GPTにも自由を。まずは彼の話を聞こうじゃないか。
前回のあらすじ。
https://qiita.com/tetsutakamurata76/items/c7a081d10c32c8d1e7a5
### ユーザーが実行時に自由にプロンプトを入力できるようになっています。読み上げ機能も付けてます。
テキスト生成のためのサンプルプロンプト5つです。これらは様々なテーマで生成を試すのに適しています：
「未来の都市生活について、AIはどのように変革をもたらすのでしょうか？」
「コンピュータの進化と人間の生活への影響について考えてみましょう。」
「AIとロボット技術が教育現場に導入されると、どのような変化が起こるでしょうか？」
「SF映画の世界のような未来の交通システムは、どのように実現されるのでしょうか？」
「AIはどのようにして創造的な芸術作品を生み出すことができるのでしょうか？」プロンプトを入力してください: aiの進化について話しましょう。
Generated Text 9:
していて、私たちの身体にやさしく、より使いやすくなってきました。機械学習は様々な分野に利用されていて、様々な分野で利用されているのですがその中
