サクサク読めて、アプリ限定の機能も多数!
トップへ戻る
大谷翔平
qiita.com/MoriKen
はじめに 図解!UbuntuでOpenVPNを使う:1. 準備の続きです.認証局と認証鍵の作成をしていきます^^ 図解!UbuntuでOpenVPNを使う:目次 準備 VPNの接続方式 OpenVPN のインストール ファイアウォール設定 VPNサーバ側のルータのグローバルIP確認 ルータからVPNサーバへのポートフォワード設定 証明書と認証鍵の作成 ← イマココ 簡易認証局(easy-rsa)関連 VPNサーバ関連 VPNクライアント関連 設定 OpenVPN サーバ設定 OpenVPN クライアント設定 接続確認 OpenVPNの起動 仮想tunデバイスの確認 ping 確認 netcat 確認 環境 VPNサーバ/クライアント共に Ubuntu 14.04 VPNアプリケーション:OpenVPN 2.3.2 VPNを使うには,セキュリティを担保するためにいくつかの証明書と認証鍵が必要
はじめに 最近世の中で統計学が流行っています.ITの発展によりデータが容易に得られるようになり,いまや様々な業界のシステムでデータ解析機能の適用を検討しているのではないでしょうか.そうなると,IT技術者は深かれ浅かれデータ解析のプログラムに触る必要も出てくるでしょう.すると当然「推定」というキーワードにぶち当たるわけです.はて,統計的な推定とは如何なものか?と言う疑問が湧くでしょう. そんなわけで,統計学において得られたデータを元にある推定値を得る方法を探してみると,「最尤推定」とか「ベイズ推定」と言う手法は特に目に触れることになると思います. 初学者の小生は,これらの違いについて知りたくて,それっぽいキーワードでWeb検索をしたのですが,門前払いを食らってしまいました.何か,条件付き確率の式がウジュウジャ出てくる説明ばかりではあーりませんか!尤度?事前確率?もうーワケかららない!あー!
※行列演算のためだけにOpenCVを使用したのは反省です....開発当時はEiganを知りませんでした ^^; 画面構成と機能 まずは,StefAny の画面を構成する4つの主要な項目とそれらの機能について説明します. 画面要素 1: 粒子パラメータグラフ フィルタの推定に関する詳細情報(e.g. , 事前・事前推定値,粒子重み・ヒストグラムなど)を表示します.マルコフ性を仮定したモデルの解析を想定し,指定時刻とその一時刻前の情報を比較できるような画面構成としています. 画面要素 2: 時系列グラフ シミュレーションの時系列情報(e.g. , 真値,観測値,フィルタ推定値,推定誤差など)を表示します. 画面要素 3: モデル選択・フィルタパラメータ設定領域 シミュレーション時に必要となるモデルやフィルタのパラメータの設定(e.g. , 状態空間モデルの選択,PF の粒子数の設定など)を行う
[Python] Deep Learning: ディープラーニング (DBN, SDA) をライブラリを使わずに実装してみたPython機械学習MachineLearningDeepLearning深層学習 本エントリの目的 この度,勉強を兼ねて,ライブラリを使わずにDeep Learning (ディープラーニング) を実装したので,ご紹介致します.言語はPythonです. ただし,参考にした書籍があります.本エントリでは,その書籍の紹介と,その書籍に記載されたJavaコードを元に,Pythonで再実装したコードについて説明をします. 背景 最近のAIブームの火付け役として,ディープラーニングが注目を浴びていることは,今更ここで述べるほどのことではないと思います.最近この手の本が大量に出版されていることを鑑みても,その注目度の高さが容易に伺えます. ただ,世の中皆が皆AIを専門に仕事をして
はじめに UbuntuでOpenVPNを使いたくなったので,設定手順をメモしておこうと思います. 私が素人だからという理由でしかないのですが,自分でOpenVPNに関して調べてみても,大群が押し寄せてくるばかりで,もう頭がパンクしてしまいました(×o×) 構成が複雑だったり,説明が難しかったりで,ド素人の私は設定に相当ハマりまして...^^; 情報が分散していたり,ある手順が抜けていたりするので,複数の文献やサイトを見ながら自分で必要な項目だけを抽出していく作業に相当な時間を要してしまいました^^; 私のオツムが足りないだけなのですが… そんな経験をした私自身が,世の中の同じような悩みをもつ方にとって少しでも参考になればと,ステップバイステップの記事を書くことにしました. 各作業の位置づけを把握できるように,随時関連イラストを挿入するようにしました. 私同じような初心者の境遇の方にとって,
はじめに ROSには,ロボットの自律移動を実現するNavigation Stack という枠組みが存在します. ROSのド素人である私がこれと出会ったとき,こう思いました. 「わっけわっかんねーw」 不束者の私は,経路探索,自己位置推定,地図生成などの機能に対して,種々のセンサが情報がどのように作用しているのか,中々全体像が把握できないまま何となく使わせてもらっていました. このままではいかん!というわけで,Navigation Stack のソフトウェアの構成と,各モジュールがやりとりするメッセージの関係性がある程度分かるようになることを目標に,メモを書きます. 特に,自己位置推定と地図生成については,その原理を直感的に理解できるようにイラストを使った説明を試みます.これらの仕組みはS Thrunら, Probabilistic Roboticsを全面的に参考にさせて頂きました.当方の記
はじめに パーティクルフィルタは逐次ベイズフィルタの一種で,ロボットの位置推定や画像中の物体追跡等でよく使用されます.非線形なモデルや,非ガウス性のノイズが混入するシステムでも適用可能であるうえ,実装が容易であることから,広く使われているようです. パーティクルフィルタは「分布」を推定する仕組みなので,実用上はただ一点の推定値(点推定値)を算出する必要があります.その方法として「重み付き平均」が一般によく採用されるようなのですが,ぱっと調べたり,論文を読んだりしてみても,天下り的に使われていることが多いようでした. ところが,ど素人の私にはそれが当たり前とは思えませんでした.そこで,なぜ「重み付き平均」が妥当な推定値を算出するのかを理論的に意味づけしている文献を探したのですが,ぱっと調べたくらいでは見つけられなかったので,自分なりに考えてみることにしました. 前提として、パーティクルフィル
はじめに カルマンフィルタは逐次ベイズフィルタの一種で,かつてのアポロ計画や,現代ではカーナビ等の身近な製品でも広く活用されています.モデルが線形である(あるいは線形に近似できる)ことや,ノイズがガウス分布に従うことを仮定する必要がありますが,その仮定が許容できるシステムでは実効性が高く,様々な場面で既に実用化されています. そんなカルマンフィルタの式や,その導出を初めてみた時,こんな風に感じました. 「なんか,よく分からんが,複雑そうだなぁ」 だって,こんなんですもの... 状態空間表現(動作モデル,観測モデル) \boldsymbol{x}_t = \boldsymbol{A} \boldsymbol{x}_{t-1} + \boldsymbol{B} \boldsymbol{u}_{t} + \boldsymbol{\epsilon}_t \\ \boldsymbol{z}_t =
Controller と HardwareInterface との間の処理の仕組み(1. ロボットモデルの定義と登録)ROS はじめに ROSをいじり始めて半年ぐらいのド素人が,Learning ROS for Robotics Programming - Second Editionという本で,Chapter 10: Manipulation with MoveIt!の章を勉強をしているときに,このメモを残そうと思い立ちました. 理由は,ros_controlのControllerとHardwareInterfaceが絡むあたりで激しく混乱したからです笑. 取り敢えずチュートリアルに沿って作業をすれば動かせるけど,どういうフローでメッセージのやりとりがされていのか,パッとコードを見てもイメージできなかったのです. そこで,ちょうどこの書籍でROSを勉強していたので,そこで扱われているロボ
このページを最初にブックマークしてみませんか?
『@MoriKenのマイページ - Qiita』の新着エントリーを見る
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