user_id＋gacha_id＋gacha_typeの複数カラムで一意となり、実行するたびにstep_noを＋１（update）します。 なお、初回（１回目）の実行の場合は、レコードがありませんので初期ステップ（step_no=1）とみなして、実行時に次のステップ状態（step_no=2）として、レコードを作成（insert）します。 実装 実装上の仕様をまとめると以下の通りになります ステップアップガチャの挙動の違い（normalガチャに対して） gacha_user_stepにステップの状態を記録する 同じgacha_typeについて実行可能なステップのgacha_lotteryが抽出される 実行する毎に、ステップが一つずつ進行していく ステップ4まで実行した時点で、終了となる（それ以上、実行できない） ソース上の変更箇所が分かるように以下のコメント記述しています 【追加】：新しく追

Learn how to use NumPy, Pandas, Seaborn , Matplotlib , Plotly , Scikit-Learn , Machine Learning, Tensorflow , and more!

因果推論と因果探索を学びたい初心者の方を対象に、因果分析のPythonプログラムを実際にGoogle Colaboratoryで実装しながら学ぶ書籍を執筆しました。 単著としては、「つくりながら学ぶ! PyTorchによる発展ディープラーニング」、以来、約1年ぶりの新刊となります。 本記事では、因果分析の書籍を執筆したモチベーション、Pythonによる因果推論、因果探索の概要について解説します。 「つくりながら学ぶ! Pythonによる因果分析 ~因果推論・因果探索の実践入門」 ●2020年6月30日発売 ●著者：小川雄太郎（自己紹介、Twitter）@電通国際情報サービス（ISID） ●出版社: マイナビ出版 本記事の内容 ● 0. 本書を執筆したモチベーション ● 1. 因果推論が必要な事例 ● 2. 因果推論をしたいデータ ● 3. 因果推論の方法 ● 4. 因果探索の手法 ● 5.

zip の中のファイル名 zip ファイルを展開（解凍）すると、書庫内の各データは元のファイル名で展開されます。すなわちファイル名情報も zip ファイル内に格納されています。 zip ファイル内に格納されている各ファイル名のエンコーディングは、現バージョンの zip の仕様だと UTF-8 フラグの有無を指定することができるようですが、 UTF-8 以外のエンコーディングを具体的に指定することができません。 歴史的に、従来より日本語ロケールの Windows で zip ファイルを作成すると（ツールにもよりますが）、ファイル名情報は Shift_JIS (CP932) で書き込まれます。最近の Linux や Mac は UTF-8 がほとんどです。 異なる OS で作成された zip ファイルを展開するときに、 UTF-8 フラグが付いていれば（最近の展開ツールであれば）問題なく展開す

はじめに 実写をアニメ風に変換してくれるAnimeGANをやってみました。 システム環境 Windows10（RTX2080 Max-Q、i7-8750H、RAM16GB） Anaconda 2020.02 Python 3.6 CUDA 9.0 導入 AnimeGANをクローンします。 animegan用の環境を作成します。 $ conda create -n animegan python=3.6 $ conda activate animegan $ pip install tensorflow-gpu==1.8.0 $ pip install tqdm $ pip install scipy $ pip install opencv-python $ cd AnimeGAN-master AnimeGAN-masterにdatasetを置きます。 Haoyao-styleの中身をc

こんにちは、CX事業本部の若槻です。 DynamoDBにシステムの定義に必要なアイテム（APIの認可情報など）を登録する場合は、そのアイテムをコード化してGitHubなどでバージョン管理したい場合があります。 しかし、AWS CloudFormationではDynamoDBのテーブル自体をリソースとして管理することはできますが、テーブル上のアイテムについては管理することができません。そこで別途アイテムをコードで管理する方法としては以下が考えられます。 Terraform（Resource: aws_dynamodb_table_item） スクリプトを自作して使う 今回は、後者の方法をとり、DynamoDB上のアイテムをコードで管理するPythonスクリプトを作ってみました。 スクリプト ディレクトリ構成は以下のようになります。initialize.pyとdeploy.pyの２つのスクリプ

はじめに ここでは、Pythonの内包表記について、覚えておくと役に立つことをまとめてみます。 リスト内包表記 nums = [1, 2, 3, 4, 5] nums_double = [x * 2 for x in nums] # リストnumsの要素をそれぞれ2倍する print(nums_double) # [2, 4, 6, 8, 10] nums_even = [x for x in nums if x % 2 == 0] print(nums_even) # [2, 4] nums_2 = [[1, 2], [3, 4]] nums_2_odd = [odd for nums in nums_2 for odd in nums] print(nums_2_odd) # [1, 2, 3, 4]

概要 客先がExcelシートでヒートマップを見たがっていた。 openpyxlだと、実装できなかった。（やり方が悪かった？） xlsxwriterをpandasのto_excelのengineとして使用 条件付き書式設定をxlsxwriterで行う セル指定は、xl_rangeを用いる。（セルを数値で指定） ソースコード # xl_rangeを使えば、"B2:C3"をxl_range(2,2,3,3)と表現できる。 from xlsxwriter.utility import xl_range import xlsxwriter import pandas as pd import numpy as np # test用データフレーム df = pd.DataFrame(np.arange(0,9,1).reshape(3,3)) # workbook生成 workbook = xlsxw

「pyswip便利なんだけどpython 3に対応してないからな～泣」という声をネットのどこかで見かけたので、 「python3.8.2でもpyswipちゃんと動いたよ」という報告をしようと思い、この記事を書いた。 蛇足だが、予言者でもない限り、「python3でも動く」とは確かに言えない。python3.8.2で動いても、python3.8.3以降で動く論理的な保証はどこにもないからだ。 １. pip install pyswip ２. 次のコードを実行 from pyswip import Prolog p = Prolog() p.assertz("father(michael, john)") p.assertz("father(michael, gina)") for s in p.query("father(X,Y)"): print(s["X"], "is the fathe

「高精度の学習済みモデルが簡単に構築できることを体感してほしい」 SmallTrainでは、TensorFlowやPyTorchの関数を用いて、CNN（畳み込みニューラルネットワーク）などの手法によってニューラルネットワークを構築してある。AIモデルには、画像データや時系列データなどのさまざまなデータを既に学習させてある。商用利用が可能で、スモールデータに対応した学習済みモデルとして利用することで工数が大幅に削減できる。さらに、ユーザーのデータを学習させることで、独自の学習済みモデルを構築できる。 当初は、登録ユーザーに限定して公開する。Geek Guildは、実際にSmallTrain 0.1.2で構築した学習済みモデルを登録ユーザーに利用してもらい、商用利用に耐える高精度の学習済みモデルが簡単に構築できることを体感してほしいとしている。さらに、ソースコード改善への貢献（コントリビュート

本書はAWSのAIサービスについて、全体像を掴むことを目的とした解説書だ。 全5章構成。第1章で人工知能全般について、第2章でAWSの機械学習サービスについてそれぞれ解説した後、第3章「AIサービス」では、Pythonを使って画像認識（Rekognition）や音声認識（Transcribe）、自然言語処理（Amazon Comprehend）やドキュメント分析（Amazon Textract）など、各種AIサービスやSDKについて解説する。トレーニングデータを準備し、時系列予測のための予測モデルを作成するAmazon Forecastについても触れる。 また、第4章では完全マネージド型の機械学習サービス「SageMaker」の組み込みアルゴリズムの作成、第5章ではEC2環境を利用して深層学習フレームワーク「Deep Learning AMI」について解説する。 著者は井上研一氏。B4変型

3行で 普段はpythonを使うが、やむにやまれぬ事情でC言語で書かれたリソースを使う必要はまま生じる pythonはCを使って新たなモジュールを追加することができるので、その機能を使えばいい Python.hに用意された特別な構造体を使ってCでモジュール名、メソッド、引数を定義し、distutils.core.setup(pythonのメソッド!!)を使ってビルドする 必要な作業 C言語で書かれたソースコードのベースを用意 C言語でラッパーを記述 pythonでsetupスクリプトを記述 setupスクリプトを実行 細かいことはいいから答えを教えろ ソースコードと使い方だけ書いて下記のリポジトリにアップロードしときました。 https://github.com/nagiton/c-python-api 目標 自作のモジュールhelloをC言語で作成し、下記のような出力を実現する。 sh-

We are pleased to announce that the May 2020 release of the Python Extension for Visual Studio Code is now available. You can download the Python extension from the Marketplace, or install it directly from the extension gallery in Visual Studio Code. If you already have the Python extension installed, you can also get the latest update by restarting Visual Studio Code. You can learn more about  Py

Python Software Foundationは5月5日(米国時間)、「Python Software Foundation News: Python Developers Survey 2019 Results」において、2万4000名以上のPython開発者が参加した調査の結果を伝えた。 同調査は、Pythonがどのような用途で使われており、昨年と比較してどのように推移したのかなどがまとめられている。加えて、Python開発者が分野ごとによく使っているフレームワーク、ライブラリ、ツールなどについてもまとまっており、参考になる。 掲載されている主なフレームワークやライブラリ、ツールは次のとおり。

最初に「モデリング」や「モデル」などの用語について整理しておきます。 モデリングとは あるデータを入力したとき、ユーザーがほしい情報を出力する箱をモデルと呼びます。 例えば下図は、あるパターンの波形を入力すると、その数秒先の波形を予測（出力）するモデルのイメージです。 引用元：MXNetとLSTMで時系列データ予測 -入門から実践まで- このモデルを設計する作業がモデリングです。具体的には、モデルの中身にあたるアルゴリズムを検討する作業のことです。 近年では深層学習モデルが人気です。実は上図もLSTMと呼ばれるアルゴリズムを活用した深層学習モデルです。

背景 Pythonで機械学習の勉強を始めるにあたって環境構築の手順をメモの代わりに記事にすることにした。インストールしたソフトウェアは以下の５つである。また、私がMacを使っているのでmacOSを想定して記載する。 インストールするソフトウェア Anaconda（Pythonの実行環境） OpenCV（画像・動画処理のライブラリ） MeCab（日本語形態素解析のライブラリ） Gensim(自然言語処理のライブラリ) TensorFlow/Keras（ディープラーニングのライブラリ） Homebrewの導入 macOS用のパッケージマネージャーの「Homebrew」を利用して各ソフトウェアをインストールを行う。元々インストールしてあれば飛ばして構わない。以下をターミナルに貼って実行する。（参考： https://brew.sh/index_ja） $ /bin/bash -c "$(curl

はじめに AtCoder Problems の Recommendation を利用して、過去の問題を解いています。 AtCoder さん、AtCoder Problems さん、ありがとうございます。 今回のお題 AtCoder Regular Contets C - Attention Difficulty: 641 今回のテーマ、累積和 入力例 2 のWEWEWEEEWWWEを考察しますと、WEWEWEEiWWWEとなりiの左側のWの個数と右側のEの個数の合計が求める人数となります。 文字列の左0から右n-1に向かって、Eは単調減少、Wは単調増加ですので、計算量を抑える手法として累積和を使用します。 n = gets.to_i s = gets.chomp e = (s[0] == 'E' ? [1] : [0]) w = (s[0] == 'W' ? [1] : [0]) 1.up

はじめに ああ…長かった連休が終わる…。月曜から仕事なんて考えられない…。ずっとゴロゴロしてたい…。 12連休が終わりに近づき、絶望的な心境の中、せめて次はいつ祝日がやってくるのかという一筋の希望を原動力にしないともう生きていけないという考えに至り、あと何日で次の祝日がやってくるか表示できるカレンダーを作成しました。 今回はVue.jsとDjango REST framework(DRF)を使い、簡単なAPIを実装してみました。 完成版 以下の gifです。　※GitHubはこちら テーマは「連休が終わるという悪夢」です。 ボタンを押すと次の祝日と、その日までにあと何日あるかが表示されます。 本当は、Herokuにデプロイしたので公開できるのですが、まだ修正したい箇所があるのでURLの記載は控えます。 対象 今回は今まで使ったことのなかったVue CLIを使ってみました。 僕はDjango