Pythonでスクリプトを作っている時に、 ループの進捗を確認したい時があります。 ループ毎にprint等で確認してもよいのですが、 長い処理を行う場合、ターミナルの表示がムダに感じます。 そこでプログレスバーを表示するtqdmモジュールを使用します。 使い方 pipを使っていれば、pipで入ります。 pip install tqdm 使い方はループのイテレータをラップするだけです。 importの仕方にだけ気を付けましょう。 from tqdm import tqdm import time for i in tqdm(range(100)): time.sleep(1)#ループしたい処理を書く # 以下のプログレスバーが出る # 75%|███████▍ | 75/100 [02:02<10:51, 1.28s/it] enumerateと併用したい場合 Pythonではループカウンタ

はじめに スクレイピングの本を読んで何かしたいなーと思ったので、その成果とやったことをまとめました。 主にはScrapyCloudの設定を書いています。 コード https://github.com/mishan88/trpgLetter やりたかったこと 某アナログゲームの"公式"の更新情報が知りたい！（Twitterとかはあるけど、シート類は公式ページにしかないので） RSSすらないサイトも多いのでスクレイピングしよう 最近流行りのサーバーレスで動かしたい インスタンスを24時間動かすのはコストがかかるので 全体概要 クローリング・スクレイピング ： Scrapy + Scrapy Cloud DB : DynamoDB TODO: DynamoDBの更新情報をLambdaで受け取り、どこかに投稿 Oauthの認証周りが理解できていないので時間がかかりそう 手順 Scrapyをローカル

「人工知能（AI）のブームはいずれ終わる」。こう話すのは人工知能学会の山田誠二会長だ。 テレビ、新聞、雑誌。いたるところで連日のようにAIの話題を耳にするようになった。ITベンダーに限った話ではないようだ。業種業態を問わずに、AIを使ったサービスやシステムに関する発表が増えてきた。 現在のAIブームがどのタイミングで始まったかは明確ではないが、2014年ごろから加速し始めたとみられる。「第3次AIブーム」と呼ばれることから分かるように、過去には第2次AIブームが存在した。そしてブームは終わり、「冬の時代」が訪れたのも確かである。 山田会長自身は、大学院生時代に第2次AIブームを経験したという。AIの研究を志したきっかけにもなっている。「1980年代当時は、現在のブームよりも明らかに盛り上がっていた」（山田会長）。富士通、三菱電機、日立製作所など、ほとんどの大手企業がAIに投資を振り向けてい

先日、2016年アドベントカレンダーのはてブ数の分析というブログ記事を投稿した。このデータの可視化には様々な技術が使われている。本記事では、どのような技術を活用して作成したのかについて説明する。 ソースコードはこちら。 概要 このVizは、QiitaとAdventarに投稿された、全アドベントカレンダー及びそこに登録された記事のはてなブックマーク数を元に、どのカレンダーや記事が人気なのか、あるいはQiitaとAdventarのどちらが人気なのかを視覚化することを目的として作成された。データソースは、Qiita及びAdventarに登録された、アドベントカレンダー2016の全カレンダーページである。カレンダーには記事のメタデータが含まれている。記事そのもののページやユーザページのクロールはしていない。 システムの概要 データの収集→ETL→BIという流れで処理を行った。 データ収集 Webク

TOKYO DIGICONXプレイベント開催！公式アンバサダーにせきぐちあいみさんが就任！ VRTOKYO DIGICONXせきぐちあいみG-STAR GamingARMR 2024/10/11 18:00 SHIBUYA109 LANDがThe Sandboxで未来型Y3Kファッションイベント開催！ メタバースNFTThe SandboxSHIBUYA109SHIBUYA FUTURAMA 2024/10/06 13:00 MetaがQuest 3S発表！お手頃価格で高性能VR/MRを体験 VRゴーグルMeta Quest 3SMRVR 2024/09/26 18:00 HTCが新型MRゴーグルVIVE Focus Visionを発表！ MRとアイトラッキング搭載 ARMRVRHTC VIVEVIVE Focus Vision 2024/09/21 18:00 clusterが新しいオン

はじめに 隠れマルコフモデル 確率分布として考える 隠れていないマルコフモデル 隠れマルコフモデル 隠れマルコフモデルの学習 隠れマルコフモデルでの予測 隠れマルコフモデルで何ができるか リカレントネット リカレントネットの構造 時間方向への展開 深層学習について 記事 はじめに 隠れマルコフモデルでは、時系列的に変動するデータを確率的なモデルで表現します。 通常の機械学習手法（例えばサポートベクターマシン）などでは、データは各時刻毎に独立したデータであると仮定しており、そのデータの順番に意味がないという前提を持っています。（厳密には更に強く仮定をし、各データ点はある一つの確率分布から生起しているとし、各データ点同士は独立であるとする。これを独立同分布に従うデータと言う。） 一方で隠れマルコフモデルでは、データの変動（隠れマルコフモデルでは遷移と呼ぶ）が確率的に起こっているとしてその部分を