はてなブックマーク

初めに この記事は、Julia Advent Calendar 2023 の14日目の記事です。 今年、私が少しずつ書いてきた Julia の入門書（『実践Julia入門』）が出版（商業出版）されました。 これ早く出したかったんです。できる限り早く Julia ユーザの皆さんに届けたかった。 その理由は、『これさえ読んでおけば Julia の基本はばっちり押さえられる』言い換えると 『「それこの本に書いてあるよ」と言う言葉で Julia の基礎知識を共有できる』 ことを目指して書いてきたからです。 特に Julia の概念と仕様と基本機能については広く深く丁寧に書き切ったつもりであり、ある程度「それこの本に書いてあるよ」と言えるような内容になっていると自負しています。 とは言え、見てほしい読者全てにはまだまだ行き渡っていないのだろうな、というのが正直な実感です。 なぜなら、今年（拙著が出版

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

docker on wsl2 が容量を開放してくれない wsl2上でdockerを動かしていると、イメージが肥大して容量を食っていきますが、docker system pruneでも容量を減らない時は以下を試す。 以下リンク先記事を参考にさせて頂き実行。自分用の備忘録として投稿。 容量開放手順 docker終了 wsl用いているVScodeなりTerminalなりがあれば終了 以下コマンドをpowershellで順に実行 # wslを終了させる呪文。不具合等起きた時も基本これ > wsl --shutdown # diskpartを起動する（diskpartのウィンドウが開きます） > diskpart # 対象のvhdxファイルを指定（PATHは各自確認） DISKPART> select vdisk file="C:\Users\username\AppData\Local\Docke

この記事はバイオインフォマティクス Advent Calendar 2020の22日目の記事です 今年はあまり書くことが思いつかなかったので、自分が注目しているPCA（Principal Component Analysis, 主成分分析）ベースの手法を紹介する。 1. Randomized PCA Halko, N et al., FINDING STRUCTURE WITH RANDOMNESS: PROBABILISTIC ALGORITHMS FOR CONSTRUCTING APPROXIMATE MATRIX DECOMPOSITIONS, 2010 データを一度ランダムに低次元に射影してコンパクトにしてから扱うことで、大規模データ行列も高速・低メモリで計算できるPCA。 今年出したPCAのベンチマーク論文で、速度、精度ともに性能が良かった。 乱数を使っているのに、驚くほど正確

version: '3.5' services: web: build: app #image: *****/firelens:web-container ports: - "80:80" depends_on: - fluentbit logging: driver: fluentd options: fluentd-address: "localhost:24224" fluentd-async-connect: "true" fluentbit: build: context: fluentbit # image: *****/firelens:fluentbit env_file: ./.env ports: - "24224:24224" - "24224:24224/udp" apache-phpコンテナとfluentbitコンテナを連携させただけのcomposeファイルです。

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? ■１〜３回の内容を再設計した記事を書きました。 [ FireLens/fluentbit構成の見直しと改修] (https://qiita.com/antennix/items/ebad3bcb33cbd168923d) はじめに ここ最近、FireLensの機能選定を行っており fluentbitのカスタムイメージを作成し、FireLensに接続するまでの機能調査を行いました。 １回目の記事です。 ２回目 ローカルで、datadog/S3へデータを転送できるdockerイメージを作成する ３回目 Firelensで、datadog/S

TL;DR この資料は、機械学習名古屋勉強会#16「強化学習ハンズオンパート2」 の補助資料です。 この資料を見るだけで、Windows10（Home可）上で OpenAI Gym が動くまでの環境設定ができることを目指します。 はじめに OpenAI Gym。公式にサポートしているのは Linux / macOS のみで、Windows はサポート外です。 Windows で OpenAI Gym を動かすにはいくつか方法があるのですが、そこそこネイティブに近い（＝VirtualBoxやHyper-Vなどの仮想環境を利用しない）、Windows 10 Home でも利用可能な方法1を紹介します。 それが、「WSL（Windows Subsystem for Linux）」に「Ubuntu 18.04」を入れて、「VcXsrv（Windows用のXServer）」でGUIを表示する方法です

TL;DR 正格評価なのか非正格評価（遅延評価）なのかはしっかり把握しましょう、という話。 あとおまけで、素数無限列挙の話についてもちらっと。 初めに Scala は、遅延リストとしての Stream を備えています。 Stream.from(n) とすれば n 以降の整数を無限に列挙1できますし、その他フィボナッチ数列や素数列も定義できます。もちろん遅延リストなので、基本的には実際の値は必要になるまで算出されません。 また Haskell などと同様、Scala でも Stream は『最初の要素』と『残り』のようなパターンマッチングに対応しています。これを利用して柔軟な Stream 処理が可能なのですが…。 ちょっと込み入ったことをしようとすると、すぐに StackOverflowError に見舞われてしまいます。 ということで、自分用の覚書を兼ねて、その原因と対策をまとめてみます

これで Jupyter notebook が起動するので、ブラウザで http://localhost:8888/tree/mlnsc/ を開いてください23。 以下のような表示になればOKです4。 補足 最初に docker.run〜 を実行するとき、DockerHub からビルド済の Dockerイメージ のダウンロードが始まります。ネットワーク回線状況により数十秒〜数分かかることがあります。2回目以降はダウンロード済のイメージが利用されるので、即座にコンテナが起動します。 なお、Dockerイメージは自動更新はされません。「Dockerイメージ修正したので更新してください」とアナウンスがあった際は、（実行中のコンテナを終了させた上で）docker pull antimon2/mlnsc-dlscratch を実行して Dockerイメージ を再ダウンロードしてください。 Q&A 想定

前置き 色々やりたいことはあるのに思うように捗りません1。 そんなときは現実逃避のために、Julia の最新開発版をインストールして新機能を試してみて近未来を覗いたりします2。 v0.6.0-dev に、前々から少し期待していた「型システムの仕様変更」がついに入りました！ 割と自分の思っていた方向に実装がされていたので、紹介したいと思います。 【2018/02/19 11:45】編集：参考リンク集のリンク先を一部修正3。 Julia の型システム概要 Julia は、動的型付言語です。コンパイル時ではなく基本的に実行時に型が決定します。 一方で、関数の引数や戻り値等に、型アノテーションを付けることはできます。 特に関数については、引数の違い（型及び個数）で同じ関数を多重定義することができ、実行時に適切な引数を持った関数が呼ばれる仕組みを取っています（多重ディスパッチ と言います）。これが（

初めに この記事は、Machine Learning Advent Calendar 2016 5日目の記事です。 複数の学習器（弱学習器、weak learner）を組み合わせてよりより性能の高い学習器（強学習器、strong learner）を作る、アンサンブル学習の手法の一つ、ブースティング。 その中でも代表的な、AdaBoost。 PRML本にも載っている（日本語版下巻p.374）しググれば実装例もいくらでも出てきますけれど、弱学習器として一番単純な決定株（decision stump）を用いた例ばかり。 それを他のものに変えたら、性能にどう影響するか。思いつきで実験してみました。1 実験環境 Mac OSX 10.11.6 Core i7 3.1GHz / 16GB RAM Julia v0.5.0 IJulia（Julia の Jupyter カーネル）、Gadfly（Juli

TL;DR Julia は速いよ。 Julia は行列演算簡単だよ。 Julia は Deep Learning 向きだよ。 Julia はそもそも書きやすいよはかどるよ！ Julia 良いよ Julia！ 初めに 【注意】この記事は1年以上前の記事です12。 この記事は、Julia Advent Calendar 2016 の3日目の記事です。 と同時に、機械学習 名古屋 第8回勉強会 の発表資料です。 またこの記事は、ゼロから作る Deep Learning（O'reilly, 2016/09）を参考に構築しています。 ↑ をJuliaに移植中 → DLScratch.jl 自己紹介 自己紹介 名前：後藤 俊介 所属：有限会社 来栖川電算 言語：Python, Julia, Ruby, Scala（勉強中）, … twitter: @antimon2 Facebook: antimon

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 前置き 某 オンライン機械学習コース の Linear Regression with Multiple Variables（多変量線形回帰）で出てきた、Normal Equation（正規方程式）について。 Andrew Ng 先生（以降、Ang先生 と略記）が「導出するのめんどい（意訳）」と言って結果だけ示されたので、ちょっとだけ掘り下げてみました。 その中で、疑問点も浮かんできたので共有してみます。 私自身、まだちゃんと分かってない部分もあるかもなので、ツッコミ大歓迎です。 【2015/07/24 23:10】検証コードを追加し、

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? はじめに CodeIQで出題されていた、通称「フィズ・バズ・エクストリーム」問題（←問題の公開は終了したので左記リンクでは問題閲覧はできません）。 うまい漸化式を見付けて、それを元にコンパクトな再帰で解けたのですが、意外とこの漸化式で解いている人が少なそうなので、（誰か解説書いてくれるだろうと踏んでいたのですけれどこの際だから自分で）それを紹介・解説してみます。 ついでに、そこから Ruby でコードゴルフしたのでそのコードも簡単に解説。 問題（概要） 問題全文は、↓こちらを参照。 CodeIQ 「フィズ・バズ・エクストリーム」 問題

前置き 先日（2015/05/30）、Python東海 第27回勉強会で、「Jupyter + RISE による ライブデモ＆プレゼンテーション」という発表をしてきました。 発表は、資料を Jupyter（IPython Notebook）で大枠を作り、RISE でリアルタイムスライド表示しながらその場で編集し、その場で Gist にアップ → nbviewer に登録 → nbviewer でのスライド表示、という流れで実施1。上記の発表資料は最終的に nbviewer で公開したスライド（後で少しだけ再編集したもの）です。 で、スライド関係は良かったのですが、主にそれ以外の環境設定周りについて、短い発表時間の中でだいぶ端折ったり、発表資料も最低限のことしか書いていないので、自分がやったことを補足しておこうと思います。 なおこの記事は、先日の記事「IPython + IJulia → J

前置き 元ネタは、結城浩氏著の「数学ガール 乱択アルゴリズム」。 新しい言語を覚えるとき、慣れるために「充足可能性問題（3-SAT）を解く乱択アルゴリズム」（p.353）を実装するという癖をつけていま1す。 ということで。前回の Egison版 に引き続き。勉強開始約1ヶ月の Julia ( http://julialang.org/ ) で実装してみました2。 開発環境・動作確認環境 Mac OSX 10.9.5 Julia 0.3.5 コード # Rw3sat.jl sample(a::Array) = a[rand(1:end)] immutable Literal index::Int not::Bool end literal(index, not) = Literal(index, not) # issatisfied(l::Literal, x::BitArray{1}) =

berobero11さんが作った緑本（データ解析のための統計モデリング入門）のGLMのスライド（分布から見た線形モデル・GLM・GLMM）が素晴らしかったので、コードを参考にしつつアニメーションバージョンを作ってみた。データは緑本の第3章「一般化線形モデル（GLM）」図3.9で使ったもの。ggplot2を動画で保存する方法がわからなかったので、ImageMagickでGIF化した。GLMMはまだ作成中。 線形モデル（正規分布 / 恒等リンク関数 / β_0 + β_1 x） library(ggplot2) # データ読み込み # wget http://hosho.ees.hokudai.ac.jp/~kubo/stat/iwanamibook/kubobook_2012.zip # unzip kubobook_2012.zip # cd kubobook2012/chapter03

前置き 元ネタは、結城浩氏著の「数学ガール 乱択アルゴリズム」。 新しい言語を覚えるとき、慣れるために「充足可能性問題（3-SAT）を解く乱択アルゴリズム」（p.353）を実装するという癖をつけていました1。 ということで、久々に。個人的に研究中の Egison ( http://www.egison.org/ ) で試してみました。 開発環境・動作確認環境 Mac OSX 10.9.52 Egison 3.3.15/3.5.134 コード 例1：関数型プログラミングを強く意識したコード まずは関数型プログラミングとしての実装例。Egison が標準で用意してくれている関数は素直になるべく利用するようにしました。 ;; rw3sat_f.egi (define $sample (lambda [$xs] (nth (pure-rand 1 (length xs)) xs))) (defin

チームでiOSアプリを開発する場合、アプリ全体のコード・クラス設計等に統一感が出るよう開発ルールを決めることが多いかと思います。 今回は私がiPadアプリを開発するに当たって決めた開発ルールの中でうまくいったなと思うモノを紹介します。 前提 開発ルールを適用したプロジェクトの概要は以下です。異なる性質のプロジェクトでは有用でないかも知れないので注意してください。 iPadアプリ 規模 コード行数は5万行程度（コメント等も含めた数字） 開発者だけで7名のチーム 詳細設計〜単体テストだけで工数30人月程度 開発者のスキルレベルはiOS経験が数年ある人が半分、他のプラットホームで開発経験はあるが、iOSは初めてという人が半分 開発ルール 1.基本的にViewControllerには1対1でDataControllerを作り、すべての状態をそこで管理する 理由はViewControllerを薄くす