Django の CRUD ジェネリックビュー (ListView, DetailView, CreateView, UpdateView, DeleteView) の簡単な使い方 Django は、Python プログラミング言語で動作するウェブアプリケーションフレームワークです。 この記事は、Django の使い方を説明するものです。 Djangoの解説: The Web framework for perfectionists with deadlines | Django Django に最初から用意されているビュー(ジェネリックビュー) を使えば、 オブジェクトのリスト表示 オブジェクトの作成 オブジェクトの詳細表示 オブジェクトの更新 オブジェクトの削除 のWebアプリが簡単に作成できます。 (オブジェクト=DBのレコード=モデルインスタンス=アクティブレコードオブジェクト と

お知らせ （ちょっと古いですが）この記事の内容を使ってUdemyで入門講座作っています。 興味ある方はこちらから お知らせここまで 間違い、勘違いなどありましたら優しくご指摘ください。 Django 2.0 以上 で動作すると思います。 なぜこの記事を書くのか Djangoには強力なテンプレート言語があります。 テンプレートにデータを供給するのはViewです。 そして、それを手短にコーディングする方法も用意されています。 それが「汎用ビュー(Generic View)」です。 はるか昔は関数ベースの汎用ビューを使っていたようですが、現在は主にクラスベースのビューを使います。 現在のDjangoの和訳ドキュメントは1.4が最新ですが、クラスベース汎用ビューのドキュメントはちゃんとあります。 しかし、思ったよりもクラスベース汎用ビューを解説している記事が少なかったため、書き記そうと思いました。

初めに 最近、「機械学習に強い」、「簡単」などの理由からPythonを選ぶ人が多いと思います。 そんな人たちがWebを書こうと思った時にぶつかるのがDjangoの壁ですよね。 （あれ、そんなことない？いやいや難しいですよね！） 僕は最初、Django Tutorialだけ日本語でやって、それ以降は全部英語の文献を読んだり、会社のコードをみて勉強をしたりしましたが、結構大変でした。 webを書きたいけど、Pythonより◯ubyの方が書きやすいから◯ubyの方がいい...となってしまわないように、これまで僕が勉強したDjangoの基本や応用を詰め込んで、Djangoを最速でマスターできるような記事を書いていきます！（3, 4記事の長さになる予定です） ＊ 最速でDjangoをマスターする part2 準備 Djangoが入っていない場合は、 でインストールできるらしいです。 僕はAnacon

Complete Machine Learning Guide to Parameter Tuning in Gradient Boosting (GBM) in Python Overview Learn parameter tuning in gradient boosting algorithm using Python Understand how to adjust bias-variance trade-off in machine learning for gradient boosting Introduction If you have been using GBM as a ‘black box’ till now, maybe it’s time for you to open it and see, how it actually works! This artic

Pipeline と GridSeasrchCV については、以下 を 参考 オライリー本『実践 機械学習システム』 pp.123-124, pp.129-130 例題コード を Python3 で実行する際は、パラメータ・リスト の range() を listに型変換しないとエラーになるの で 注意 例として、以下のウェブサイト 所収のサンプル・コード を 実行してみる 赴くままに （2014/02/10）「scikit-learnでPipeline」 sklearn.pipeline.Pipeline scikit-learnでこの一気通貫を実現するクラスがPipelineです。 使ってみましょう。 from sklearn import svm from sklearn.grid_search import GridSearchCV from sklearn.pipeline im

Jupyter Notebookとは Notebookとは Jupyter Notebookの誕生 Jupyter Notebookの導入 Jupyter Notebookの強みと機能 プログラムの保存・共有・再現 セルコーディング Codeセルの記述 Markdownセルの記述 インタラクティブなデータの可視化 表の描画 グラフの描画 セルの改変と再実行 Notebookの共有 .ipynb スライドによる共有 その他拡張機能 Jupyter notebook extensions データ分析とJupyter Notebook Jupyter NotebookでChainerを利用する 実行環境 Chainerの導入 データセットの読み込み パラメータとモデルの設定 学習 結果の可視化 おわりに Jupyter Notebookのこれから まとめ 参考 データ分析を行う上で押さえておくべ

今年を振り返って、今年覚えたnumpyの関数を紹介します。 r_, c_ 最初は行列の連結です。vstack, hstackをよく使っていたのですが、r_, c_がより短く簡単に書けるのでこっちを使ってます。 >>> a = np.arange(6).reshape(2, 3) >>> b = np.arange(6, 12).reshape(2, 3) >>> a array([[0, 1, 2], [3, 4, 5]]) >>> b array([[ 6, 7, 8], [ 9, 10, 11]]) >>> r_[a, b] array([[ 0, 1, 2], [ 3, 4, 5], [ 6, 7, 8], [ 9, 10, 11]]) >>> c_[a, b] array([[ 0, 1, 2, 6, 7, 8], [ 3, 4, 5, 9, 10, 11]]) >>> A = n

はじめに pythonで3層のニューラルネットワークを実装し，XNORの識別をしてみました． 数式も載せたので，興味のある方は読んでみてください． 教科書として『深層学習』を使いました． 本記事の構成 はじめに ニューラルネットワーク 重みの更新 誤差逆伝播 XNOR pythonでの実装 結果 おわりに ニューラルネットワークとは，人間の脳の神経回路を模したモデルです．このモデルを使うことで，画像認識や音声認識が可能となります． 今回実装したネットワークは入力層，中間層(1層)，出力層の3層構造です． 重みの更新 下の図で説明していきます． $l-1$ 層目の $i$ 番目のユニットから $l$ 層目の $j$ 番目のユニットへの重みを $w_{ji}^{(l)}$ とします． また，$l-1$ 層目の $i$ 番目のユニットが保持している値を $u_{i}^{(l-1)}$ とします．

OpenCVを使うと，難しい画像処理も簡単なコードで実現できるみたいです。というわけで，Raspberry Piにインストールしてみました。やり方がなかなかわからず，あーでもないこーでもないとしているうちになんとかできたので，手順をメモしておきます。 RaspbianとOpenCVのバージョンは下記のとおりです。 2013-02-09-wheezy-raspbian OpenCV 2.4.4 および 2.3.1 インストールには，『①ソースコードをRaspberry Pi上でビルドする方法』と，『②apt-getコマンドを使う方法』とがあります。「Raspberry Pi　OpenCV」などで検索すると①の方法がヒットするため，最初はこの方法で頑張っていたのですが，Raspberry Pi上でのビルドには4～10時間かかるので注意です（10時間待ったあとでビルドの失敗に気づいたときとか…も

はじめに PyMongoDB は、MongoDB の Python wrapper https://api.mongodb.org/python/current/index.html これが結構使いやすかったので書いておく。 インストール方法 (ubuntu 14.04) import pymongo # mongodb へのアクセスを確立 client = pymongo.MongoClient('localhost', 27017) # データベースを作成 (名前: my_database) db = client.my_database # コレクションを作成 (名前: my_collection) co = db.my_collection # なんか適当に保存 co.insert_one({"test": 3}) # 全部とってくる for data in co.find():

前回、PythonのWebサービス構築用フレームワークのtornadoについて紹介したが、今回はJSONに特化した拡張ライブラリ－Tornado-JSONについて紹介する。 Tornado-JSONのインストール tornadoと同様にpipを使おう。 pip install Tornado-JSON 特徴 Webapiの入出力形式にJSONを採用しそれに特化することで使いやすくしている パッケージ名・モジュール名で自動的にURLを決定 jsonschemaによるバリデーション実行をより使いやすくする APIドキュメントの自動生成が可能 Webサービス構築手順 使用するクラス from tornado.ioloop import IOLoop from tornado_json.routes import get_routes from tornado_json.application i

お仕事で、Pythonのtornadoについて学んだのでそのメモを公開する。tornadoはシングルスレッドで動作する軽量なWebサービス構築用のフレームワーク。テスト用のMockサービスなどちょっとしたものならばJavaでゴリゴリ書くよりは手っ取り早く作れる。 Python環境構築 pyenv環境を構築するのがオススメ。pyenvを使えば異なるバージョンのPythonを切り替えて使えるようになる。また、プラグインのvirtualenvを使えば同じバージョンで異なる環境(インストールされているPythonライブラリを変えるなど)を作れる。 pyenvの管理配下に複数のpythonをインストールし、ライブラリもそれぞれそこに置かれる。 構築方法は以下に丸投げを参照。pyenv および virtualenv の使い方 - Qoosky Windows?　知りません。まあ、Windows上で頑張

TL;DR JSON Schemaを使ってこういうことが実現可能になった。 ダミーAPIサーバの提供 ドキュメントの自動生成 APIクライアントの動的定義 APIサーバのバリデータの動的定義 APIサーバのレスポンスの自動テスト JSON Schemaとは JSON SchemaというのはあるJSONのデータ構造を記述するための方法および書式の仕様で、 JSON SchemaもJSONで記述される。 これを利用すれば、リソースベースの(=RESTfulライクな)APIの仕様が簡便に記述できる。 例えば、我々のAPIはレシピとユーザというリソースを扱っていて、 それぞれCRUDのAPIを備えており、レシピはidとtitleとdescriptionという属性を持つ、 という旨をJSON Schemaで表現できる。 なんで最近ちょっと流行ってんの Mobile First、 Service Or

Installation pip install flask-socketio まずはこちらをやる 短いから WebSocket 基本 Communication protocol in HTML5 Permanent connection Bi-directional communication Either client or server can initiate communication Flask-Socketsとの違い Flask-Socketsは nativeの単なるラッパー 単にコミュニケーションチャンネルの実装をしている 何が送られるかはアプリケーション依存 Flask-SocketIOの方が簡単に使えると思われる． Basics app = Flask(__name__) socketio = SocketIO(app) socketio.run(app) event

OpenCV-Python & Scikit-image　-「必見『OpenCV-Python Tutorials』２」への追記PythonOpenCV画像認識scikit-imageOpenCV-Python 「OpenCV-Python Tutorials」についてもう少し訳してみましたので、OpenCV-Pythonバインディングとともに役立つライブラリである scikit-imageについても、あわせてリンクをつけてみました。 どちらも、Pythonでnumpyのデータ構造を使うライブラリなので、両者を組み合わせて使うことが可能です。 Scikit-imageが提供するもの Scikit-imageの場合には、OpenCV-Pythonで提供されていない手法を中心に、OpenCV-Pythonと連携を組みやすい形で、提供されています。 Scikit-imageは、OpenCVに含ま