私 is 誰 今年の7月にドワンゴの教育事業部に異動し、N予備校でプログラミング講師をやることになりました。 現在は週2回ニコ生やN予備校上にてプログラミング入門コースの授業放送をしています。 ドワンゴ自体は7年目となり、ニコニコ動画の開発を4年、エンジニア教育やエンジニア採用を2年ほどやってきました。 この記事で書きたいこと 現部署に異動後、教材のインプットを兼ねて『N予備校プログラミング入門コース』を履修したのですが、明らかに難易度が僕の想像した "入門コース" から外れたガチ編成になっていて衝撃を受けたことが記事を書こうと思ったきっかけです。 中身としてはとても良い教材になっているので、僕のような勿体無い誤解が少しでも減れば幸いです。 入門コースはいわゆる入門コースではない 『プログラミング入門コース』のゴールは ドワンゴがエンジニアとして採用したいレベル や IT企業のエンジニアイ

みなさま、こんにちは。 プラコレアドベントカレンダー2019も折り返して、8日目。 冒険法人プラコレのデザイナーzukaです。 （投稿が遅れてしまいました。本当に申し訳ございません。） なんだかんだとデザイナー歴３年目。 少しずつ社内で力になれることも増えて、毎日充実しております。 令和初のクリスマスも間近に迫り、 女性率の高いプラコレ社内は一層明るい会話も飛び交っておりますが、 先週、信じられない発言が私の耳をつんざきます。 “もう、自分でつくれちゃうから” えぇ…………。 私たちはDressy（ドレシー）というブライダル系メディアを運営しており、 多くの花嫁さまのハートをきゅんとつかむようなコンテンツを 365日毎日発信し、業界へ新しい価値を提供しております。 なかでもデザイナーの役割といえば、 良質なグラフィックを作り出し、企画を盛り上げること。 かつての広告バナー100000000

はじめに 新しいサービスにはじめて触れるとき、どうやって学べば良いかが分からずに困ることってありませんか？ 特にパブリッククラウドは、サービス数が非常に多い上にアップデートが早いため、キャッチアップするのが大変ですよね。 本記事では、Microsoft Azure を学びたいと思っている方を対象に、オススメの学習方法についてまとめていきます。 想定読者 本記事が以下の皆様の Azure 学習の一助になれば幸いです。 これから Azure を学ぼうと思っている方 既に Azure を使っており、もっと学びたい方 AWS (Amazon Web Services) 経験者の方で Azure に興味がある方 GCP (Google Cloud Platform) 経験者の方で Azure に興味がある方 主要な学習リソースの概要 色々な学習リソースがありますが、Azure 公式ドキュメント と

形態素解析は日本語処理の初歩であり、文を単語に分割したり、品詞や活用形、基本形を分析するために行います。本記事では形態素解析のツールをいくつかの出力例を交えて比較していきます。 （SentencePieceでいいじゃん、という人はお呼びでないですが、そういう方には、Twitterのトレンドが変な分割になってたら嫌では？と申し上げておきたいです） MeCab 言わずと知れた形態素解析器。とりあえずMeCabを使うという人は今なお多いことでしょう。とにかく高速であるということと、システムと辞書が分離されているのが特徴です。またPythonから使うのも簡単になりました（Janomeというものがありましたがmecab-python3の方が高速です）。Javaから使いたい人はKuromojiを使えばmecab(+ipadic)相当の結果が得られるはずです。 辞書はIPA辞書が推奨されていますが、Un

確率的プログラミング言語，Stanのアドベントカレンダーです。 ベイジアンモデリングにかんすることだけでなく，言語に関すること，R/Pythonとの連携のことなど，話題はなんでもOKです。 ちなみに過去のアドカレはこんな感じです。 2018年のStan Advent Calendar 2017年のStan Advent Calendar 2016年のStan Advent Calendar このカレンダーで扱われたテーマ，記事の一部が本になっています。ご参考までに。 たのしいベイズモデリング たのしいベイズモデリング2 Enjoy!

Register as a new user and use Qiita more conveniently You get articles that match your needsYou can efficiently read back useful informationYou can use dark themeWhat you can do with signing up

ICCV2019でBestPaperをとったという SinGANの論文を読んでみたンゴ 論文: SinGAN: Learning a Generative Model from a Single Natural Image https://arxiv.org/abs/1905.01164 ICCVはComputerVisionの学会でも最高レベルで、それのBestPaperなので、最高中の最高ということ。実際結果がどれもすごかった。特に画像をアニメーションにするのが一番すごかった SinGANはSigle natural imageのGANを略したもの（おそらく） 結果画像は論文から引用しています GAN(Generative Adversarial Network)は2014の最初の発表以来、さまざまな種類が発表されてきた。 GANのすごいところは、それまで画像生成はVAEなどがやってい

はじめに 皆さんPythonでプログラミングしてますか？ Pythonの基本的な文法はある程度理解したけど、もう一歩詳しくなりたい、という方のために、中級的なテクニックや書き方について解説します。 この記事をマスターすれば、あなたも明日からPython中級者になれるかも？ では、始めましょう。 変数の代入について Pythonでは、複数の変数の定義を1行で行うことが可能です。 普通に代入した場合：

Juliaという速くて書きやすい言語をちょっとだけ覗いてみたんだが、なにやらワクワクするものがあったので報告しようと思うJulia はじめに 最近うちの会社でも機械学習がホットになってきていて、去年、直属の先輩から「機械学習やりなよ」と言われましたが、「自分にはまだ他にやりたいことがあるので。。。」と逃げていました。 しかし今年の後半になるにつれて、さらに勢いをましている機械学習をみて、「これは今のうちにやらないと置いていかれる」と焦り始めて、ちょっと頑張ってみることにしました。 機械学習には「Python」「R」など長年使われている言語もありましたが、新しもの好きの私は迷うことなく「Julia」でやることに決めました！ 「Julia」を少し調べてみると面白い機能があったので、個人的な備忘も兼ねて記事にしたいと思います。 参考文献 Julia公式ページ GitHub yomichi's b

PyTorchでBERTをはじめとした、各種ディープラーニングモデルを、実際に実装しながら学ぶ書籍を執筆しました。 つくりながら学ぶ! PyTorchによる発展ディープラーニング（小川雄太郎、マイナビ出版） https://www.amazon.co.jp/dp/4839970254/ Amazonでは7月29日が発売予定となっています。 ディープラーニングの基礎的な内容（畳み込みニューラルネットワークを用いた画像分類など）を実装してみて、さらに発展的な内容を学びたい方や、PyTorchを使いたい方に向けて執筆いたしました。 本書がお役に立てそうであれば、ご活用いただければ幸いです。 本記事では、 ・書籍の概要 ・各章の詳細 を紹介いたします。 本書の概要 本書はディープラーニングの応用手法を、実装しながら学習していただく書籍です。 ディープラーニングの基礎的な内容（畳み込みニューラルネッ

逆に、RFC 6749 以外で定義されている認可フローをサポートする場合、新たに別のエンドポイントの実装が必要になることがあります。例えば CIBA（Client Initiated Backchannel Authentication）ではバックチャネル認証エンドポイント（backchannel authentication endpoint）、デバイスフロー（RFC 8628）ではデバイス認可エンドポイント（device authorization endpoint）の実装が求められます。 この記事では、認可エンドポイントとトークンエンドポイントを実装します。サポートする認可フローは認可コードフローのみ、サポートするクライアント・タイプはパブリックのみとします。 2. 注意点 下記の理由、および書かれていないその他の理由により、本実装は商用利用には適していません。 セキュリティー上必須

はじめに Windows Subsystem for Linux(WSL)のターミナルは、コピー＆ペーストがし辛く、Tera-termで操作できないものかと思い立った。 前提 Windows 10 pro バージョン1803 Windows Subsystem for Linux(WSL)版ubuntu バージョン8.04 LTS (Bionic Beaver) 全体の流れ インストール コンフィグ設定 サービススタート 対策 補足 インストール まず、openssh-serverをインストールする。 Reading package lists... Done Building dependency tree Reading state information... Done openssh-server is already the newest version (1:7.6p1-4).

サブプロセスとは そもそもターミナル(シェル)でコマンドを打つとどのようにしてプログラムが実行されるのだろうか？ 実はシェルが自身のサブプロセスを作成するという形でプログラムは実行される. そしてsubprocessモジュールとは文字通りサブプロセスを立ち上げるためのモジュールである． このモジュールを用いることでpythonから他のプログラムを立ち上げたり，その出力を得たりすることができる． シェルスクリプト的な使い方をしたいときに便利なモジュールである． かつてはos.system os.spawn が使われていたが、subprocessはこれらを置き換えるためのモジュールである． TLDR os.systemを置き換えるには sts = subprocess.call("mycmd" + " myarg", shell=True) とすればよい． 出力をとりたい場合， proc =

注意：1人の人間のフィルターを通った内容ですので、詳細に・正確に知りたい方はご自身で元論文に当たってください。 論文のリンク Can we trust deep learning models diagnosis? The impact of domain shift in chest radiograph classification 概要 ただのDomain shiftに関する内容である。 しかし、かなりの大規模データでの比較で実際に数値にされると興味深い。 この大規模データを用いて評価している研究もあるため、汎化性能は大丈夫なのか心配になる。 背景 胸部X線検査は検診でもよく用いられる検査です。胸部X線検査では様々な疾患を指摘することができ、その中でも肺癌の発見が重要であることは言うまでもありません。肺癌の効果的な治療を行うためにも早期に発見することが重要です。しかし、胸部X線検査で

こんにちは，クラスタリング&可視化おじさんです． 本記事は「機械学習と数学」Advent Calendar14日目です． (ちなみにAdvent Calendar初投稿です．よろしくお願いします) はじめに データ分析とか機械学習やられてる方は高次元データの次元削減と可視化よくやりますよね． この分野の代表選手といえばPCA(主成分分析)とかMDS(多次元尺度構成法)ですが， これらの線形変換系手法には以下の問題があります． 高次元空間上で非線形構造を持っているデータに対しては適切な低次元表現が得られない 「類似するものを近くに配置する」ことよりも「類似しないものを遠くに配置する」ことを優先するようアルゴリズムが働く 1.に関して，よく例に出されるのがSwiss roll dataset(下図)のようなヤツですね． PCAはデータが多次元正規分布に従うことを仮定しているので， その仮定から

はじめに こんにちは！ 皆さん次元圧縮手法といえばどのようなものを思いつきますか？ PCA,Isomap,t-SNEなどでしょう。 こちらの記事が大変よくまとめられています。 高次元データの次元削減および2次元プロット手法 今日ご紹介したいのはUMAPという次元削減手法です。 論文がarXivに2018年2月9日に上がったばかりの手法です。 なんと、t-SNEと同程度の次元削減を数倍の速さでできてしまいます。 論文については、リーマン幾何学と代数トポロジーを背景にされているようなのでじっくり読み込んで後日まとめたいと思います。 興味のある方はこちらからどうぞ UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction 使ってみよう なんと早くもライブラリが公開されています。 ひとまず使ってみましょう

はじめに 先日のGoogle Cloud Next 2019 で発表されたいくつかのサービスの中にAutoML Tablesがあった。表形式のデータをノンプログラミングで分析できるプラットフォームらしい。Azure Machine Learning Studioとどう違うのか気になったのでつかってみることにした。 AutoML Tablesは現在ベータ版でQuick Startに沿ってやってみようと思う。予測精度の検証はよくわからないのでとりあえず使い方のみで。 やってみた GCPのプロジェクトと課金付与はあらかじめやってあるものとする。QuickStart中のAPIを有効にするボタンをクリックすると以下の画面になるのでAPIを有効にする。そのあとボタンが使ってみるとなるのでクリックする ページ上部の新しいデータセットをクリックする データセット名をQuickstart_Datasetとし

はじめに 勾配ブーストを用いた決定木(GBDT)によるクラス分類や回帰はデータ分析コンペでも非常によく使われています。 その中でも2016年に出されたXGBoostはLightGBMと並びよく使われている手法です。 性能が良いことで有名なXGBoost, LightGBMですが、モデル内部でどのような処理が行われているかよくわかっていなかったので論文を読んでみました。 式変形の省略が多く、またイメージしづらい箇所もあり、読みづらかったのですが 一度イメージできれば割とあっさり理解できます。 その体験を踏まえて、イメージ図を多く取り入れながらXGBoostの論文を（途中まで）丁寧に解説します。 XGBoost: A Scalable Tree Boosting System 論文 この記事で述べること データの入出力 XGBoostの木構造 損失関数とboosting 木構造の学習（spli

上記の方々の推奨本 2票（naotaka1128、カレーちゃん）[第2版]Python 機械学習プログラミング 達人データサイエンティストによる理論と実践 (impress top gear) 1票（naotaka1128）PythonとKerasによるディープラーニング 1票（naotaka1128）scikit-learnとTensorFlowによる実践機械学習 1票（mlm_kansai）機械学習のための特徴量エンジニアリング ―その原理とPythonによる実践 (オライリー・ジャパン) 記事の概要 Kaggle参戦記 〜入門からExpert獲得までの半年間の記録 & お役立ち資料まとめ〜 *1) 特徴量エンジニアリング 次元削減系 LDA、PCA、tSNE Kaggle TalkingData Fraud Detection コンペの解法まとめ(基本編) 「カテゴリー変数を組み合わ

はじめに ビジネスにおいて予測モデルを作成する際，ユーザにとっての解釈しやすさを優先して，線形モデルや決定木のような比較的単純なモデルを使わざるを得ないという場合は結構多いのではないだろうか． しかし，せっかくデータ分析業をやっている身としては，仕事でももっと色々なモデルを活用したいというのが人情であろう．まあそういう個人的欲求は置いておくにしても，単純なモデルを使う際に気を付けないといけない事柄というのが色々ある． 説明変数と目的変数の関係は線形か？ 予測に効くのはどの変数か？ 変数間の交互作用を見逃していないか？ 等々． さて，ここで複雑なモデルであれば非線形性や交互作用も自動的に取り入れてくれるのになあ，と思ったところで発想を転換してみたい．つまり，最終的な予測モデルは単純なものを使うとしても，上記のような問題を検討するための探索的データ分析の段階で，より複雑なモデルを活用できるので