AWS Data Pipeline を使用した Amazon S3 への MySQL データのエクスポート - AWS Data Pipeline
翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。 AWS Data Pipeline を使用した Amazon S3 への MySQL データのエクスポート このチュートリアルでは、データパイプラインを作成して、MySQL データベースのテーブルからデータ (行) を Amazon S3 バケットの CSV (Comma Separated Value) ファイルにコピーし、コピー作業が正常に完了した後、Amazon SNS 通知を送信する処理について順を追って説明します。このコピーアクティビティでは、AWS Data Pipeline から提供される EC2 インスタンスを使用します。 パイプラインオブジェクト このパイプラインでは以下のオブジェクトを使用します。
Top 10 performance tuning techniques for Amazon Redshift | Amazon Web Services
AWS Big Data Blog Top 10 performance tuning techniques for Amazon Redshift New: Read Amazon Redshift continues its price-performance leadership to learn what analytic workload trends we’re seeing from Amazon Redshift customers, new capabilities we have launched to improve Redshift’s price-performance, and the results from the latest benchmarks. Customers use Amazon Redshift for everything from acc
Titan: Distributed Graph Database
Titan is a scalable graph database optimized for storing and querying graphs containing hundreds of billions of vertices and edges distributed across a multi-machine cluster. Titan is a transactional database that can support thousands of concurrent users executing complex graph traversals in real time. In addition, Titan provides the following features: Elastic and linear scalability for a growin
バックプロパゲーション - Wikipedia
バックプロパゲーション（英: Backpropagation）または誤差逆伝播法（ごさぎゃくでんぱほう）[1]はニューラルネットワークの学習アルゴリズムである[2]。 概要[編集] バックプロパゲーションは数理モデルであるニューラルネットワークの重みを層の数に関わらず更新できる（学習できる）アルゴリズムである。ディープラーニングの主な学習手法として利用される。 そのアルゴリズムは次の通りである： ニューラルネットワークに学習のためのサンプルを与える。 ネットワークの出力を求め、出力層における誤差を求める。その誤差を用い、各出力ニューロンについて誤差を計算する。 個々のニューロンの期待される出力値と倍率 (scaling factor)、要求された出力と実際の出力の差を計算する。これを局所誤差と言う。 各ニューロンの重みを局所誤差が小さくなるよう調整する。 より大きな重みで接続された前段のニ
Building a Graph Database on AWS Using Amazon DynamoDB and Titan | Amazon Web Services
AWS Big Data Blog Building a Graph Database on AWS Using Amazon DynamoDB and Titan At AWS re:Invent 2017, we announced the preview of Amazon Neptune, a fast and reliable graph database built for the cloud. Though this blog post still shows the benefits a graph database can deliver for certain use cases, if you are about to build an application yourself and need a graph database, you should first c
池澤あやかとはてな大西がクックパッドの小川さんに「エンジニアの働きやすい職場って？」と聞いてみた。 - itstaffing エンジニアスタイル
連載：池澤あやかとはてな大西の「エンジニアの働きやすい職場って？」 女優でエンジニアとしても活躍されている池澤あやかさんと、株式会社はてな チーフエンジニアの大西康裕が、エンジニアの働く環境や開発の様子、エンジニアのキャリアパスなどについてインタビューする連載です。毎回、さまざまな企業を訪問し、エンジニアの理想の働く環境について考えていきます。 大西 こんにちは、はてな サービス開発本部長 チーフエンジニアの大西です。 池澤 池澤です。突然こんな場所からスタートです！ 大西 まるでトレーニングジムのようですが、入り口に会議室の札がありました。連載「エンジニアの働きやすい職場って？」第2回、ここはなんと クックパッド のオフィスなんです。オフィス訪問といっても信じてもらえないかも。今回案内してくれるのは…… 大西 あっ！ 技術部 部長 会員事業部 副部長 人事部 エンジニア人事企画リーダー
考える力や論理的思考力とはどういうものなのか - ジブンライフ
自分の頭で考える力を身につけなさいなどと言われますが、そもそも考える力とはどういうものなのでしょうか。 屁理屈かもしれませんが、考えずに生きている人間なんてこの世にいません。必ず人は思考しているはずです。 それにも関わらず考える力が重要であるというからには、いつも私たちがしている「考える」と、「考える力」や「論理的思考」は別のものであるということになります。 今回は『自分のアタマで考えよう 』や『思考の整理学』といった書籍を参考にしながら、考える力について説明していきましょう。 簡単に言ってしまえば、「知識」を得ることと「考える」ことは別モノです。それらを区別したうえで、目の前の情報からなにかを発明・発見することができるのが考える力のある人といえます。 これだけをみると「それだけか」と思わなくもありませんが、私たちは意外と両者を区別できていませんし、「考える力が俺にはある」と勘違いしている
ダレずに開発を走り切る為の習慣
重要なのは、この「煩わしさ」は、「そのタスクを完了した際に、どれだけ体力と意欲を使い果たすか」 の指標であることです。 「技術的には難しくないから、経験の浅い人にまとめてやってもらおう」と、そうした「だるいタスク」を集中させてしまうと、あっという間に人員が疲弊して 最悪離職します 恥ずかしながらこういう経験があります。 「だるさ見積り」した => 予測工数の -5%〜+5% の前倒しor遅延 で済んだ 「だるさ見積り」しなかった => +20%〜40% も遅延した。 終わった後の生産性の低さも本当にもう酷かった。 ごめんなさい。。。。 やろう！『だるさ』見積り！本当に大事だよ！ [見積もり編] 3. OKR を意識したバックログ 具体的には Github の issue サマリを記載していく事柄で実践します Objectives : この PullRequest で何ができてほしいのか サ
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
AWS Database Migration Service（最小限のダウンタイムでデータベースを移行）| AWS
クリスマスもコードを書きたいアナタに送る！ 次世代エンジニアの技術の学び方とは? 〜Qiitaの投稿データから読み解く、2016年の技術トレンド〜