PyCon JP 2022 2022-10-15 13:50-14:20 #pyconjp_5
![Pythonではじめる地理空間情報](https://cdn-ak-scissors.b.st-hatena.com/image/square/94f1aa6872da98de7fb728acf0a17d33a2f8b192/height=288;version=1;width=512/https%3A%2F%2Ffiles.speakerdeck.com%2Fpresentations%2Fc75f8b1c17344622b392ff0c835faa0f%2Fslide_0.jpg%3F23042371)
Numpyを使うと、listなどを使うよりも処理が速くなります。 さらには、Numpy自体を高速化することも可能です。 本記事の内容 Numpyの高速化高速化Numpyのダウンロード高速化NumpyのインストールノーマルNumpyと高速化Numpyの比較 それでは、上記に沿って解説していきます。 Numpyの高速化 Numpyの高速化とは、コードの改善という話ではありません。 Numpyそのものをより高速なモノにするということです。 そのための技術として、MKLが存在します。 MKLは、Intelが開発している演算用のライブラリです。 もちろん、MKLはIntelのCPUのみに対応しています。 このMKLを利用すれば、Numpyを高速化できるというわけです。 そして、MKLに対応したNumpyが用意されています。 ここで、呼び名(表記)に関して整理しておきます。 説明しやすいように、以下の
(以下の情報はすべて記事執筆時(2021/04)のものです) この記事ではanaconda有償化の影響を回避しながら高速化されたIntel MKL版のnumpyを簡単にインストールする方法を解説します。 2020/04にanacondaが大規模商用利用ではanacondaとdefaultsチャンネルの使用を有償化したことは有名かと思います。 これにより仕事でIntel MKL版numpyを手軽にインストール出来なくなりそうだったので、利用規約に抵触しない形で簡単にIntel MKL版numpyをインストールする方法を調べ、まとめました。 scipy、scikit-learnの高速化版も見つけた方法でインストールが可能です。 尚、各位このブログを鵜呑みにするのではなく利用規約(Terms of Service)を各自で確認する様にして下さい。 TL;DR intelチャンネル版のnumpyの
アドベントカレンダー「ほぼ横浜の民」の3日目の記事です。 今年は Python のデコレータについて書いています。かなり雑に説明すると、デコレータとは関数についている @staticmethod や @classmethod のことです。OSS を見ているとカスタムのデコレータもあって、これってどのように機能しているんだろう?と気になることが多くなってきたので少し勉強してみました。 この記事を読んでわかること そもそもデコレータって何? デコレータってどうやって定義するの? 引数付きのデコレータはどうやって定義する? 引数付きのデコレータはなぜネストしている? なぜ functools.wraps を使ってデコレータを定義する必要があるの? 機械学習関連の OSS ではどのように使われている? デコレータとは? デコレータは、関数をラップすることで別の関数を返却する関数です。実際にはクラス
こんにちは、Twitter監視botの八木です。 いつものようにTwitter監視を行なっていると、あるツイートが目に飛び込んできました。 120 : Remove Image Background using Python https://t.co/888CDqtc68 pic.twitter.com/14g18gzi2n — Python Coding (@clcoding) October 7, 2022 Rembgという、画像から背景を削除するPythonライブラリがあるようです。 ツイートの画像を見てみると、非常に綺麗に背景が削除されています。すごい。 ツイートはPythonコードからの呼び出しですが、READMEをみるとCLIもありました。 今回はこのCLIでいろんな画像を処理してみます。 前提条件 PC: MacBook Pro (13-inch, M1, 2020) OS:
本記事ではPythonの開発環境をWindowsとVS Codeで構築してみます。 今回利用する環境 Windows 10 21H2 Python 3.10.4 VS Code 1.66.2 Python extension for Visual Studio Code v2022.4.1(VS Code拡張) 各種ドキュメント Python Python 3.10.4 ドキュメント Python チュートリアル Windows で Python を使う Python For Beginners BeginnersGuide Python Packaging User Guide Getting Started with Python in VS Code Python extension for VS Code Pythonのインストール Windows端末にPythonをインストールす
2020年7月18日2020年9月6日プログラミングPython,プログラミング Pythonは、使用するライブラリによって対応するPythonのバージョンが異なる場合があるため、複数のバージョンのPythonをインストールすることがあります。 通常、コマンドプロンプトからPythonを起動しようとすると、パスが通っている最初のpython.exeが起動してしまいます。もちろん、その時々でパスを書き換えたり、フルパス指定したりすれば希望のバージョンのPythonを起動できますが、面倒です。 こういう場合に、Pythonの公式が用意している、Windows環境向けのPython切り替えソフト「Pythonランチャー(py.exe)」が便利ですので紹介します。 Pythonランチャー(py.exe)とはPythonランチャーは、Pythonの公式がWindows環境向けにリリースしてい
はじめに: 本講座は「機械学習ってなんか面倒くさそう」と感じている プログラマのためのものである。本講座では 「そもそも機械が『学習する』とはどういうことか?」 「なぜニューラルネットワークで学習できるのか?」といった 根本的な疑問に答えることから始める。 そのうえで「ニューラルネットワークでどのようなことが学習できるのか?」 という疑問に対する具体例として、物体認識や奥行き認識などの問題を扱う。 最終的には、機械学習のブラックボックス性を解消し、所詮は ニューラルネットワークもただのソフトウェアであり、 固有の長所と短所をもっていることを学ぶことが目的である。 なお、この講座では機械学習のソフトウェア的な原理を中心に説明しており、 理論的・数学的な基礎はそれほど厳密には説明しない。 使用環境は Python + PyTorch を使っているが、一度原理を理解してしまえば 環境や使用言語が
概要 scipy(python)のラゲール陪多項式(Associated Laguerre polynomial)を使用する際の注意点についての記事です。 水素原子におけるシュレディンガー方程式の解を描画したいと思った時、その解の中にラゲール陪多項式という特殊函数が出てきます。有難いことにscipyライブラリには、ラゲール陪多項式を計算するモジュールがあり、これを利用できます。(scipy.special.assoc_laguerreなど) 問題なのが、ラゲール陪多項式の定義が資料によって揺れており、恐らく殆ど全ての量子力学の教科書に載っている定義とscipyで実装されているものが異なるということです。 なので、量子力学の教科書を見ながらラゲール陪多項式の計算モジュールを使用すると高確率で間違えます。 ちなみに、多くの量子力学の教科書(参考[7-11])で、ラゲール陪多項式L_n^k(x)
こんにちは、テリーです。今回はいつも以上にニッチなお話です。カメラ画像処理アプリケーションは映像を取得したコンピュータ上で行うことが一般的です。それは映像を伝送する際の圧縮復元で画質が劣化してしまうことと、伝送先での映像のトランスコード処理の集中ですぐにCPUが逼迫することが容易に想定されるからです。そのため、低遅延映像伝送後の映像処理の開発事例はあまり取り上げられていません。カメラが接続されたコンピュータ上で自作プログラムが動かせないことがありますし、開発言語が違う場合もあるでしょう。そこで今回はリモートカメラの映像をWebRTCで送受信し、Pythonで画像処理を加えて送り返す、ライブトランスコーディングの開発方法を紹介したいと思います。 動作環境 本記事は以下のバージョンを用いて動作を確認しています。 MacBook Pro (16-inch, 2019) macOS Big Sur
カルマンフィルタとベイズフィルタ センサーにはノイズがつきものだ。世界にあふれるデータやイベントを私たちは計測・追跡したいのだが、センサーから完璧な情報が取得できるとは期待できない。例えば私の車に搭載されている GPS は高度を報告するが、同じ道路の同じ場所を通ったとしても報告される高度は少し異なる。また私が持っているキッチンスケールの上に同じものを二度載せると、目盛りは異なる値を指す。 すぐに解決できる簡単
需要予測などで、特定の値(予測値が1つ)だけではなく、予測値の区間や分布が手に入った方が嬉しい場合があります。 区間だけであれば、従来の推定方法(最尤法など)で求めることはできます。95%信頼区間(予測区間)などです。 もちろん、このような区間はベイズ推定でも求めることはできます。 知り得たいのが区間だけであれば、従来の推定方法だろうがベイズ推定であろうが、どちらでもいいかもしれません。 しかし、ベイズ推定の場合、区間以上の情報を得ることができます。 どのような情報かというと、分布です。 この分布から平均値や最頻値などを予測値やその区間などを求めることができます。 それだけではありません。 ベイズ推定の面白いところは、今手元にあるデータが多かろうが少なかろうが取り急ぎ分布などを計算し、新たなデータを手にしたときにその分布を更新していく、というアプローチを取ります。 更新前の分布を「事前分布
Tensorflow2 で YOLOv3 を動かし画像から物体検出をしよう この手の新しいソフトウェアは、バージョンが変わると、ライブラリがアップデートされたり、関連ソフトウェアの対応バージョンが変わったりします。 経験された方ならわかると思いますが…とにかく苦労するのが、安定動作する組み合わせです。 今回は、「TensorFlow 2.1.0」に合わせた環境を整えます。 「YOLOv3」を、2020年3月時点の最新バージョンである「TensorFlow 2.1.0」で動かしましょう。 どんなものができるの?最終的には、次のようなイメージを目指します。 Tensorflow2 を使い YOLOv3 で物体検出までの流れ物体検出までの流れは、以下の通りです。 CUDA のアップデートcuDNN のアップデートAnaconda 仮想環境の作成TensorFlow や Keras など、必要パッ
間が空いてしまいましたが(1)の続きとなります。こちらでは対応のある一元配置分散分析や、二元配置分散分析について纏めます。個人的な備忘録の色合いが強く、色々と端折っている部分があります。 ※環境はJupyter Notebookの想定です。 ※有意水準は全て5%(0.05)とします。 対応のある一元配置分散分析 使用するデータ statsmodelsを用いる方法 繰り返しのある二元配置分散分析 使用するデータ statsmodelsを用いる方法 対応のある一元配置分散分析 使用するデータ ここでは入門-統計学-第2版-という教科書171ページにある、対応のある一元配置分散分析の例題について、Pythonでトライしてみます。 こちらは2名の喫煙者Aさん、Bさんに対して、禁煙外来のカウンセリングが喫煙本数を変化させたかを検証する、という例題であり、以下の表がその結果となります。表内の数値は1日
中学や高校で学んだ数学を題材にして、Pythonによる数学×プログラミングを学んでみよう。数学の教科書に載っている定理や公式だけに限らず、興味深い数式の例やAI/機械学習の基本となる例を取り上げながら、数学的な考え方を背景としてプログラミングを学べる連載。 第1回 中学・高校数学で学ぶ、数学×Pythonプログラミングの第一歩(2021/07/05) 1. 問題解決の方法を学ぶための最強のツールとは 2. 文法からアルゴリズムへ ・コラム 良いアルゴリズムと数学の知識 3. 数学×Pythonを学ぶことの相乗作用 4. 前提知識と目標 5. Pythonプログラミングの準備と便利なライブラリ 第2回 中学数学だけでフェルマーの小定理をプログラミングしてみよう(2021/07/26) 目標: フェルマーの小定理をプログラミングしてみる 1. サンプルプログラム(演算子の利用) ・【まとめ】演
この記事を元に最小の学習コストでWebアプリを作成する方法を記事にしてみました。 こちらもよろしくお願いします。 [Python] プログラム初心者のためのWebアプリ簡単作成法 この記事について PythonのWebアプリケーションフレームワーク「Django」についてのチュートリアル記事です。 Djangoには定義したデータモデルを元に一覧画面や入力画面を動的に出力する「クラスベース汎用ビュー(class-based generic views)」という仕組みがあります。 これを活用すると単純なCRUD操作(登録・参照・更新・削除)を行うWebアプリを短時間で作成することができます。さらにDjangoのユーザー管理機能を加えてHeroku等のプラットフォームにデプロイすればインターネット上で運用できます。 Djangoのチュートリアルは良質のものがネットで読めますが、クラスベース汎用ビ
方法①はシンプルでは手軽に利用できますが、データ読み込み後のデータ整形作業が必要になります。 また、複数の銘柄の株価データを集める際には手間がかかります。 1つの銘柄で、なおかつ1度限りの分析であれば有効と思いますが、繰り返し分析したり、複数銘柄を扱いたい場合には不便です。 データ取得の手順を解説ここからは、Investing.comから株価データをCSV形式でダウンロードして、Pythonで読み込み、データ整形するまでの手順を解説します。 *無料登録が必要です。株価データを取得するには無料の会員登録が必要になります。 必要なのはこれだけです。 お金もかからないので余裕ですね。 銘柄を検索してCSVファイルをダウンロード会員登録を済ませてログインすると株価データをCSV形式でダウンロードできるようになります。 データは日足、週足、月足から選択することができます。 Investing.com
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
処理を実行中です
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