Pythonで学ぶ「プログラミング可換環論」
こんにちは。グレブナー基底大好きbotです。 第１回では、環を定義し、その簡単な具体例として、整数環や多項式環を挙げました。 実は、これらは両方とも"可換環"と呼ばれる特殊な環になっています。 第２回では、可換環と非可換環について取り上げたいと思います。 復習 「環」とは、"足し算"と"掛け算"の演算ができて、次の８つの条件を満たす集合のことでした。 定義1 $R$ を集合とし，2つの演算 "$+$" と "$*$" が入っているとする．この時，$R$ が次の8つの条件を満たすならば，$R$ は環であると呼ばれる． 任意の $R$ の元 $a,b,c$ に対し，$(a+b)+c=a+(b+c)$． (和の結合律) $R$ の元 $0$ が存在して，任意の $R$ の元 $a$ に対し，$a+0=a$． (0の存在) 任意の $R$ の元 $a$ に対し，ある $R$ の元 $b$ が存在し
データサイエンスにおけるRubyの現在の位置づけと可能性
村田 賢太 はじめに現在Ruby*1は、データサイエンスの業務ではほとんど役に立たないプログラミング言語であると言っても過言ではない。 Rubyはデータサイエンスの世界では存在していないも同然の扱いであり、選択肢にすら上がらない。 その理由は、実用的に使える環境が存在しないことである。データサイエンスで使えるRuby向けのツールは少ないが存在はする。 しかし、これらは開発者各自が思い思いのツールを好き勝手に作る方式で供給されており、計画性がないオープンソース活動に支えられている。 そのため、ツール間でデータのやり取りができない、データサイエンスのすべての工程を一貫してRubyで実施できない、ツールの品質が悪くて利用できないなどの理由から業務での利用を諦めざるを得ないのが現実である。 この状況を一変させるには、データサイエンスの仕事を最初から最後までRubyで実施できる実用的な環境を作り上げ
ログ出力のための print と import logging はやめてほしい - 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 Python入門系の記事では概して、Pythonのロギング機能の紹介で最初にlogging.debug()といったloggingモジュール付属の関数を呼ぶ方法を案内しています。 Python本家が提供するloggingの「基本チュートリアル」でもこの点で大差ありません。Python本家の基本チュートリアルでは、print()関数を使用する方法もロギングの手段として有効であるとし、タスクに応じてprint()やlogging.debug()を使いわけよう、という流れで記述されています。 コマンドラインスクリプトやプログラムで普通
.py in the sky
With the end of support for Python 2 on the horizon (in 2020), many package developers have made their packages compatible with both Python 2 and Python 3 by using constructs such as: in places where things have changed between Python 2 and 3. The six package simplifies many of the differences by providing wrappers that behave the same on Python 2 and 3. For instance, iterating over dictionary key
chainerでニューラルネットを学んでみるよ(chainerでニューラルネット2) - 人工言語処理入門
前回の記事ではchainerのインストールからサンプルコードを使って画像識別問題を解くところまでやりました。 hi-king.hatenablog.com 今回の記事では回帰・分類問題用のシンプルなニューラルネットの作り方をやろうと思います。andとxorの論理式を学習させます。chainerでの実装の学習と、あとニューラルネットの教育目的に使いやすいなーと思ったので。2層のニューラルネットまで段階をふんで解説してるんですが、プログラム読むほうが得意、って方は一番最後のコードを先に読んだほうがわかりやすいかもしれません。 追記(7/13)型チェック chainer1.1.0から型チェックが入ったので(https://github.com/pfnet/chainer/pull/95)、識別にはfloat32を入力してint32を出力、回帰にはfloat32を入力してfloat32を出力、とい
PFN発のディープラーニングフレームワークchainerで画像分類をするよ(chainerでニューラルネット1) - 人工言語処理入門
1日ちょっと前に、PFNから新しいディープラーニングフレームワーク"chainer"が公開されました[1]。触ってみた感じの特徴は、pythonのコードで完結するので、システムに組込みしやすそうで、処理の内容も読みやすい。同時に、処理の内容に興味を持たずに使うには難しいという思いでした。ベースにしてあたらしいツールを作るには最適に感じるので、これから、chainerをベースにした様々な用途のツールができるのが期待されます。 CPU用インストール ~ MNISTのトレーニング ここでは、chainerのチュートリアル[1]に書いてあるとおりにインストールと初期タスクをおこなうだけです。 インストールは、githubからソースを落としてきてpython setup.py installでも、pipで入れてもいいと思います。とりあえずここではpip pip install chainer これで
DeepLearningライブラリのChainerがすごい、らしい - cvl-robot's diary
Preferred Infrastructure(以下PFI)からスピンオフした会社、Preferred NetworksのリリースしたDeepLearningライブラリのChainerがすごい、と話題になっています。*1 解説 Deep Learning のフレームワーク Chainer を公開しました | Preferred Research 公式 Chainer: A flexible framework of neural networks GitHub pfnet/chainer · GitHub ドキュメント Chainer – A flexible framework of neural networks — Chainer 1.1.0 documentation おそらく初露出 ディープラーニング最近の発展とビジネス応用への課題 公式ツイッター chainer (@Chai
【ディープラーニング】ChainerでAutoencoderを試して結果を可視化してみる。 - Qiita
ChainerでAutoencoderを試してみる記事です。前回の記事、「【機械学習】ディープラーニング フレームワークChainerを試しながら解説してみる。」の続きとなります。ディープラーニングの事前学習にも使われる技術ですね。 本記事で使用したコードはコチラから取得できます。 1.最初に# AutoencoderとはAuto(自己) encode(符号化)er(器)で、データを2層のニューラルネットに通して、自分自身のデータと一致する出力がされるようパラメーターを学習させるものです。データだけあれば良いので、分類的には教師なし学習になります。 学習フェーズ こんなことをして何が嬉しいのかというと、 入力に合わせたパラメーター$w_{ji}$を設定できる。（入力データの特徴を抽出できる） その入力に合わせたパラメーターを使うことでディープなニューラルネットでの学習を可能にする（ランダム
【機械学習】ディープラーニング フレームワークChainerを試しながら解説してみる。 - Qiita
今話題のDeep Learning(深層学習)フレームワーク、Chainerに手書き文字の判別を行うサンプルコードがあります。こちらを使って内容を少し解説する記事を書いてみたいと思います。 (本記事のコードの全文をGitHubにアップしました。[PC推奨]) とにかく、インストールがすごく簡単かつ、Pythonが書ければすぐに使うことができておすすめです！ Pythonに閉じてコードが書けるのもすごくいいですよね。 こんな感じのニューラルネットワークモデルを試してみる、という記事です。 主要な情報はこちらにあります。 Chainerのメインサイト ChainerのGitHubリポジトリ Chainerのチュートリアルとリファレンス 1. インストール# まずは何はともあれインストールです。ChainerのGitHubに記載の"Requirements" ( https://github.c
Transfer from Basic to Python - Apache OpenOffice Wiki
Translation Español If you feel some displeasure at StarBasic/OpenOffice Basic or you meet requirement of custom UNO component, now it is the time to transfer coding environment from Basic to Python. In StarBasic, there are some runtime function provides shortcut to do something. But using Python-UNO bridge, you have to do such task by API ways. Let's start with Python's tutorial and return back t
Pythonでパーセプトロンを実装してみた - nokunoの日記
解説は後日． #!/usr/bin/env python #encoding: utf-8 from sys import stdin from optparse import OptionParser from collections import defaultdict from random import shuffle, seed from math import sqrt def sign(x): if abs(x) return 0 elif x > 0: return 1 return -1 def clip(x, c): return sign(x) * max(0., abs(x) - c) def parse(line, bias, discount): label, document = line.strip().split(" ", 1) features = {}
Post by @momijiame · 3 images
パーセプトロンは人間の脳にあるニューロンをモデルとした古典的な機械学習アルゴリズムの一つ。 ニューラルネットワークではパーセプトロンを多層化して使うのに対し、単純パーセプトロンは入力と出力の一階層のみで構成されている。 単純パーセプトロンには分かりやすい能力的な限界もあって、それは線形分離可能 (直線を引いてこちら側が A で、こちら側は B と分類できる) な問題しか解くことができない。 ただし、派生した様々な機械学習アルゴリズムが今も使われているので、学んでおく意味は大いにありそう。 パーセプトロンの考え方では、入力と重みの内積を出力にする。 重みは最初適当な値で初期化しておき、教師信号を元にその重みを変化させていく。 ようするに、教師信号に対する答えが正解ならそのまま、間違えたら正解に近いほうにちょっとずらす、というのを繰り返す。 サンプルコードの実行に必要なパッケージをインストール
パーセプトロンの学習規則をPythonで実装 - Qiita
この投稿について 線形分離可能なデータ群に対する識別境界の決定方法の1つであるパーセプトロンの学習規則をライブラリなどを使わずにPythonで実装してみました。 Python、機械学習ともに初心者なので、良くないポイントはご指摘お願いします。 「パーセプトロンの学習規則」と並んで比較される「Widrow-Hoff（ウィドロウ・ホフ）の学習規則」については「Widrow-Hoff（ウィドロウ・ホフ）の学習規則をPythonで実装」でまとめてあります。 パーセプトロンの学習規則の理論 パーセプトロンの学習規則の概要や数式については以下のスライドにざっくりとまとめてあります（スライド途中からです）。 実装 1次元の場合 下図のような1次元上に存在し、2クラスのいずれかにに属する線形分離可能な学習データの分離境界線を求める。 実装のポイントとしては、 初期の重みベクトルはw=(0.2,0.3)とし
パーセプトロン - 人工知能に関する断創録
今回は、4.1.7のパーセプトロンアルゴリズムを実装します。パーセプトロンは、2クラスの識別モデルで、識別関数は式（4.52）です。 パーセプトロンは、下の条件を満たすような重みベクトルwを学習します。教師信号は、クラス1のとき教師信号+1、クラス2のとき-1（0じゃない）なので注意。 上の条件をまとめるとxnが正しく分類されているときは、 を満たします。この条件はあとでプログラム中で使います。パーセプトロンは、正しく分類されているパターンに対してはペナルティ0を割り当て、誤分類されたパターンにペナルティ を割り当てます。上の式の値はxnが誤分類されたデータの場合、必ず正になるので注意。なのでパーセプトロンの誤差関数（パーセプトロン基準）は、 で与えられます。ここで、Mは誤分類されたパターンの集合です。この誤差関数は誤分類のパターンが多いほど値が大きくなるので誤差関数を最小化するようなwを
【Python/OpenCV】人の体全体を検出してみた
# -*- coding: utf-8 -*- import cv2 if __name__ == '__main__': # 画像の読み込み im = cv2.imread("test.jpg") # HoG特徴量の計算 hog = cv2.HOGDescriptor() # SVMによる人検出 hog.setSVMDetector(cv2.HOGDescriptor_getDefaultPeopleDetector()) hogParams = {'winStride': (8, 8), 'padding': (32, 32), 'scale': 1.05} # 人を検出した座標 human, r = hog.detectMultiScale(im, **hogParams) # 長方形で人を囲う for (x, y, w, h) in human: cv2.rectangle(im,
Revenge of the Types: 型の復讐 - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 本稿は Python に型アノテーションを追加するという提案が行われたときに起こった Python コミュニティの議論の後、2014年8月24日 (日) に Armin Ronacher (@mitsuhiko) 氏によって書かれた記事の翻訳です。 Revenge of the Types Revenge of the Types by Armin Ronacher : Python (REDDIT) Revenge of the Types | Hacker News Python 3.5 で導入を検討している型アノテーションについて
forkanartを支える技術 - 何気に大変
forkanart という絵をフォークするという絵を描く人向けのサービスをリリースしたのですが、今回はその裏側の技術的な話をします。 ざっと構成を列挙します。 フロントエンド: nginx (フロントエンド) - http://nginx.org/ Varnish (キャッシュ) - https://www.varnish-cache.org/ uWSGI (アプリケーションサーバー) - http://projects.unbit.it/uwsgi/ バックエンド: MySQL (ユーザー情報) - http://www.mysql.com/ MongoDB (上記以外全部) - http://www.mongodb.org/ アプリケーション: Python 2.7 - http://python.org/ Pyramid - http://www.pylonsproject.org/
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
GitHub - hunkim/DeepLearningZeroToAll: TensorFlow Basic Tutorial Labs
GitHub - erikbern/git-of-theseus: Analyze how a Git repo grows over time
GitHub - prompt-toolkit/pyvim: Pure Python Vim clone.
