［Python］これなら分かる「uv」入門：pip＋venvやcondaから最速で乗り換えよう
＠ITのDeep Insider編集長「一色」が、日ごろの情報収集や開発、執筆・編集を通じて得た“技術的な気付き”や“新たな発見”を自由気ままにつづるオピニオン連載。気になるデータ分析を試したり、AI・機械学習で迷走したり、Pythonとツール活用を語ったり。不定期更新ですが、疲れたときの息抜きにどうぞ！ 次回以降の新着記事を見逃したくない方は、ぜひ以下のメール通知の登録をお願いします。 なぜ今、uvを学ぶべきか？【筆者の危機感】 長年、pipとcondaを使い、特に不満もなく作業してきた筆者ですが、最近はuvを見かける機会が急増し、「このまま知らずにいると、時代に取り残されてしまうのではないか」という危機感を強く持つようになりました。 実際、Anthropicが提供する“MCP”公式ドキュメントでも、uvを使った環境構築方法しか説明されていません（なお、MCPについては前回記事で解説して
ゼロからはじめるPython(128) Whisperでリアルタイム音声認識ツールを作ってみよう
オープンソースの音声認識モデルのWhisperを使うと、手軽に高品質な音声認識（文字起こし）が可能となる。今回は、Whisperを利用して簡単に使えるリアルタイム音声認識ツールを作ってみよう。 リアルタイム音声認識ツールを実行しているところ 音声認識モデルのWhisperとは 「Whisper」は、ChatGPTで有名なOpenAIが公開しているオープンソースの音声認識モデルだ。高精度な音声認識モデルで、英語だけでなく日本語を含めた多言語の音声をテキストに変換できる。ノイズの多い環境でも高い認識精度を誇り、議事録作成や字幕生成、自動文字起こしなどに活用されている。 Pythonから簡単に扱える点も魅力で、柔軟な応用が可能となっている。そこで、今回は、Pythonでリアルタイムの音声認識ツールを作ってみよう。 音声認識モデルのWhisperを公開しているWebサイト 音声認識に使うライブラリ
[入門] PythonでuvとPEP 723を使うと開発体験が10倍向上する理由 - Qiita
uvとは何か、なぜ今注目されているのか 従来のPython環境構築の問題点 Pythonの環境構築には、長年にわたって解決されない問題がありました。まず速度の問題として、pip installが遅く、依存関係解決に時間がかかります。特にcondaは、環境解決に数分かかることも珍しくありません。 次に再現性の問題として、環境差異でエラーが発生し、バージョン固定が面倒です。pipとcondaを混在させると、さらに複雑な問題が発生することもあります。 さらに管理の複雑さとして、venv、pyenv、pipenv、conda、Anacondaなど、ツールが乱立し、どれを使うべきか迷ってしまいます。activateを忘れるといった問題も頻発します。 Python環境管理ツールの変遷 ここで、Python環境管理ツールの歴史を振り返ってみましょう。 2007年頃 - virtualenvの登場。初めて
![[入門] PythonでuvとPEP 723を使うと開発体験が10倍向上する理由 - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/3059003d801ca3b501928f9ffd456aa6ff727112/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fqiita-user-contents.imgix.net%252Fhttps%25253A%25252F%25252Fcdn.qiita.com%25252Fassets%25252Fpublic%25252Farticle-ogp-background-afbab5eb44e0b055cce1258705637a91.png%253Fixlib%253Drb-4.0.0%2526w%253D1200%2526blend64%253DaHR0cHM6Ly9xaWl0YS11c2VyLXByb2ZpbGUtaW1hZ2VzLmltZ2l4Lm5ldC9odHRwcyUzQSUyRiUyRnMzLWFwLW5vcnRoZWFzdC0xLmFtYXpvbmF3cy5jb20lMkZxaWl0YS1pbWFnZS1zdG9yZSUyRjAlMkYzNTIxNTczJTJGMTBlNGNjNDJmODQ4OWVlZDQxMDJlOGFmNDM3N2I4MzBjMzk2MzA2NCUyRnhfbGFyZ2UucG5nJTNGMTc1MTc2NDEyMT9peGxpYj1yYi00LjAuMCZhcj0xJTNBMSZmaXQ9Y3JvcCZtYXNrPWVsbGlwc2UmYmc9RkZGRkZGJmZtPXBuZzMyJnM9ZGYzOGE5Mzk4NGNlMjVhOGI3OWU1NjkwMGFmZGI2Njk%2526blend-x%253D120%2526blend-y%253D467%2526blend-w%253D82%2526blend-h%253D82%2526blend-mode%253Dnormal%2526s%253D68f3321313695f0bc1aa0fb07d5e24d1%3Fixlib%3Drb-4.0.0%26w%3D1200%26fm%3Djpg%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk2MCZoPTMyNCZ0eHQ9JTVCJUU1JTg1JUE1JUU5JTk2JTgwJTVEJTIwUHl0aG9uJUUzJTgxJUE3dXYlRTMlODElQThQRVAlMjA3MjMlRTMlODIlOTIlRTQlQkQlQkYlRTMlODElODYlRTMlODElQTglRTklOTYlOEIlRTclOTklQkElRTQlQkQlOTMlRTklQTglOTMlRTMlODElOEMxMCVFNSU4MCU4RCVFNSU5MCU5MSVFNCVCOCU4QSVFMyU4MSU5OSVFMyU4MiU4QiVFNyU5MCU4NiVFNyU5NCVCMSZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZ0eHQtY29sb3I9JTIzMUUyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTU2JnR4dC1wYWQ9MCZzPTcyMzhhOTQ1N2ZkNWExYWQwYmY3YzExODVhOTlhYjEw%26mark-x%3D120%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTgzOCZoPTU4JnR4dD0lNDBTaGlnZW1vcmlNYXNhdG8mdHh0LWNvbG9yPSUyMzFFMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT0zNiZ0eHQtcGFkPTAmcz01NWYyMTRhNGU0YmFjYTk5NGNmOWVkZTUyYzI2YzM5Zg%26blend-x%3D242%26blend-y%3D480%26blend-w%3D838%26blend-h%3D46%26blend-fit%3Dcrop%26blend-crop%3Dleft%252Cbottom%26blend-mode%3Dnormal%26s%3D22501c4379130a710d157f2750055555)
Python×株式投資：月利3〜5%を狙う自動スクリーニング戦略 - Qiita
たくさんありますが、パターン4つごとに、RSIの範囲が変わっているだけです。MA乖離上限は4つごとに同じことを繰り返しています。 各スクリーニング日には地合いスコア（-3〜+3）をタグ付けしており、 これにより相場の状況によってどのパターンが機能しやすいのかも、あわせて検証できます。 テクニカル選抜の有効性について（バックテストの結果） 概要 1ヶ月後にプラスの平均リターン（3〜7%）を期待できるパターンが存在し、有効性のあるテクニカル選抜条件が含まれていると考えられました。 また、最適な選抜条件は地合いスコアによって異なることが示唆されました。以下では、スコアごとに結果を整理します。 ＜地合いスコア -3〜0＞ 相場が最も悪い「スコア -3」のときは、**RSIが低め（25〜50）かつMA乖離上限（ma_eps）が4〜8%**のパターンで、 シャープレシオが0.8以上、かつ銘柄数が20未
ゼロから始める株式分析：J-Quants APIを用いた日本株寄り引けロングショート戦略分析｜botter_01
こんにちは、botter_01です。 はじめにこのチュートリアルでは，株式分析の初心者を対象にPythonとJ-Quants APIを用いて，株式市場のデータ分析を行います。 初心者でも理解しやすいように、基本的なデータの取得方法から、特徴量の計算、機械学習モデルの構築、そしてモデルの評価までを、ステップバイステップで解説していきます。 チュートリアルを実行することで，テストデータで約53%の正答率となった機械学習モデルを構築することができます。 具体的には，日本株のうちTOPIX500採用銘柄を投資対象として，寄り引けロングショート(LS)戦略の分析します。 寄り引けLS戦略を採用した理由は，次のとおりです。 ロングポジションもショートポジションも持つので市場の値動きに左右されにくい点 日中の寄り付きでポジションを持ち，引けで手仕舞うため，他の市場（特に米国株式市場）動向に影響を受けにく
第850回 UbuntuにおけるシステムPythonと、Pythonの仮想環境を使い分ける方法 | gihyo.jp
バージョンについては2025年2月時点での数字です。UbuntuのシステムPythonの場合、同じリリースでもマイクロバージョン（X.Y.Zの「Z」の部分）についてはアップグレードされることがあります。 UbuntuではもともとPython 2を使っていました。その後、Python 3へと段階的に移行し、2017年10月にリリースされた17.10からデスクトップ版でもPython 2が標準ではインストールされなくなりました。それからもPython 2のパッケージ自体は存在したのですが、2024年4月の24.04までにPython 2関連パッケージはすべてインストールできないようになっています。 ちなみにリリースによっては、「複数のバージョンのPython」を提供していることもあります。たとえばUbuntu 22.04 LTSのシステムPythonのバージョンは3.10.6ですが、「py
plotlyで魅せるPythonグラフ（1/3）基礎のキソ
データが溢れる現代社会において、情報を効果的に伝達する手段としてのデータ可視化の重要性は、ますます高まっています。 単に数字や表を並べるだけでなく、データを視覚的に表現することで、複雑な情報も直感的に理解できるようになります。 そして、この可視化の世界に革命を起こしているのが、インタラクティブな可視化技術です。 今回は、このplotlyを使用したPythonでのインタラクティブデータ可視化について、基礎的な内容を紹介します。 インタラクティブ可視化の重要性とplotly インタラクティブ可視化は、静的なグラフやチャートの限界を超え、ユーザーがデータと対話できる環境を提供します。 データの探索：ユーザーは自由にデータをズームイン/アウトしたり、特定の部分にフォーカスしたりすることができ、データの細部まで探索できます。 多次元データの理解：複雑な多次元データも、インタラクティブな要素を通じて効
デコレーター: Pythonの秘密兵器 - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? Leapcell：次世代のPythonアプリホスティング用サーバレスプラットフォーム Pythonデコレータの詳細説明 I. デコレータとは何か Pythonにおいて、デコレータは基本的にPython関数です。それは独自の機能を持ち、元のコードを変更することなく他の関数に追加機能を追加することができます。デコレータの返り値も関数オブジェクトです。簡単に言えば、別の関数を返すように設計された関数です。 デコレータは、アスペクト指向の要件が存在する多くのシナリオで重要な役割を果たします。例えば： ログの挿入：関数の実行プロセスと関連情報の記
Pythonで作成した物体検出アプリをC++、C#でWindowsネイティブアプリに作り直した話 - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? どのようなアプリか ゲーム FF14のプレイ動画からユーザー名を黒塗りする動画編集アプリです。 ユーザー名の検出に物体検出を利用しています。 Pythonで実装、PyinstallerでEXE化していましたが、C++、C#で作り直し、この度Microsoftストアに公開できました。わーい！ ここでは、その経緯や直面した問題、得られたものなどを振り返りたいと思います。 最終的にそれぞれで利用した主なライブラリ Python pytorch,torch-tensorrt,ultralytics,opencv-python,ffmpeg-py
Pythonデータ処理入門
正規化と標準化はデータセットのスケーリングに大いに役立ちますが、今回は実際にどんなふうにスケーリングが行われるかについてちょっと見てみましょう。
実務で使える因果推論：傾向スコアからベイズ推論まで徹底解説 - Qiita
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 本記事では、データサイエンスの実務で重要な「効果検証」や「因果推論」の代表的な手法をまとめて紹介します。 具体的には、僕もこれまで実務で実際に利用してきた「傾向スコアとIPW法」「Meta-Learners」「因果フォレスト」そして「ベイズ推論」の４つにフォーカスし、それぞれの特徴や要所となる数式にも触れながら、解説を行います。 多くのデータ分析は、観察データから因果関係を推定し、施策による効果を正しく評価することがゴールとなります。 しかし、実際の実務や研究現場では、「相関関係」と「因果関係」を混同してしまうケースが多々あり
自作の3D点群ビューアーをオープンソース化してみた - Qiita
私はSLAMの研究に従事しており、3D点群データなど大規模な3Dオブジェクトを効率的に可視化する必要があるため、自分のニーズを満たすために可視化ライブラリ「q3dviewer」を開発しました。 せっかく作ったので、オープンソース化（MITライセンス）してみました！本記事では「q3dviewer」の活用例を交えながら、使い方を紹介します。多くの方に利用していただけると嬉しいです。 q3dviewerとは q3dviewerは、3Dビューアを迅速に開発するためのライブラリです。3Dオブジェクト（例えば、点群、カメラ、3Dガウス）を表示するためのアイテムを組み合わせることで、さまざまなビューアをすばやく開発できます。利用例として、3D点群のビューアなどのツールも同梱しています。 特徴 効率的な3Dレンダリング：点群など大規模な3Dデータを効率的に表示可能 豊富な設定：3Dデータを動的に調整するた
【🚨無職発生注意報🚨】ヒトはこうして仕事を奪われる~Browser Use Tutorial~ - Qiita
はじめに 2025年はAIエージェントの年です。注目されているAIエージェントの一つが『AIが自動で自分のPC画面を操作』するBrowser Useというツールです。 Browser Useの面白さ Browser Useを使うと、AIが自動で自身のPC画面を操作することであらかじめ決めた目的を達成をしてくれます。 簡単な指示を出すだけで、自動でAIが色々操作してくれるのはキャッチーで衝撃的ですよね。 例えば下記のように完全自動でAIが記事を検索して記事の情報を取得してくれます。 簡単な指示でAIが自分で考えて画面操作をしてくれるのは近未来感ありますよね。 しかし、現場でAIを使いこなすには「AIがすごい」のレベルではまだ足りません。 実際に触ってみて何ができるのか？逆に何が苦手なのか？という肌感覚を持つことが非常に重要です。 そこで本記事は、その肌感覚を養うために実際にBrowser U
Pythonを使った一元配置分散分析(ANOVA)で統計解析
はじめに こんにちは、D2Cデータサイエンティストの郷原です。 データ分析を行う際に、aとbとcの平均値を比較してaが一番大きかったけど、これは他の二つと比べて有意な差があると言えるのだろうか？ こんな疑問を持ったことはないでしょうか？ 上記のような疑問を統計的に検証することができるのが分散分析(ANOVA)です。 本記事では、１つの因子による平均値の差を分析する「一元配置分散分析」について、Pythonを使って試してみようと思います。 一元配置分散分析とは 一元配置分散分析（ANOVA, Analysis of Variance）は、複数のグループの平均値を比較し、それらの違いが偶然なのか、それとも統計的に意味があるのかを検証するための手法です。この手法を使えば、「ある要因が結果に影響を与えているかどうか」を分析することができます。 例えば、異なる肥料を使った場合の植物の成長を比較すると
Ruff はなぜ速いのか？ | Wantedly Engineer Blog
こんにちは。ウォンテッドリーでデータサイエンティストとして働いている市村（@chimuichimu1）です。この記事は Wantedly Advent Calendar 2024 の22日目の記事です。 私は普段業務で推薦システムの開発に携わっており、プロダクトを継続的かつ効率的に改善していくため、コードの内部品質が重要だと感じています。内部品質が保たれていないコードベースでは、機能追加や改善のスピードが落ちるだけでなく、バグの温床にもなります。 こうした内部品質を担保する１つの手段として、静的解析ツールの利用が考えられます。この記事では近年注目されている Python の静的解析ツールの Ruff について紹介したうえで、特にその高速性に焦点を当て、それがどう実現されているかについて深堀りしたいと思います。 目次Ruff とは Ruff が高速に動作する理由 並列性 冗長性の排除 整数値
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
Pythonパッケージ管理 [uv] 完全入門![Pythonパッケージ管理 [uv] 完全入門](https://cdn-ak-scissors.b.st-hatena.com/image/square/5eb3a78647bb994227e2b72139af64db0d7f33f3/height=288;version=1;width=512/https%3A%2F%2Ffiles.speakerdeck.com%2Fpresentations%2F8e1ff1eaedc0427bbc88de937a2aa2f6%2Fslide_0.jpg%3F35132442)
高校生向け無料講座「ハイスクールPython」を正式公開
意外に知らない？ Pythonのすごい機能
PythonではじめるGIS処理とFOSS4Gの世界 | ドクセル
Python科学技術研究所――分析・解析の超プログラミング
