スマートフォンやタブレット、パソコンのネット接続で「Wi-Fi(ワイファイ)」を使っている人も多いと思います。自宅に置く「Wi-Fiルーター」はもちろん、外出先での「フリーWi-Fi」「公衆Wi-Fi」、職場のWi-Fiなど、さまざまな場所にWi-Fiは存在しています。 そんなWi-Fiですが、最近は「Wi-Fi 6(ワイファイシックス)」という言葉を耳にする機会が多くなりました。Wi-Fi 6とは一体何者なのでしょうか?
![スマホやパソコンで対応が進む「Wi-Fi 6」って何? メリットは?【2020年最新版】](https://cdn-ak-scissors.b.st-hatena.com/image/square/091f4a06a892f7ff06b29fc4b23343321063dc45/height=288;version=1;width=512/https%3A%2F%2Fimage.itmedia.co.jp%2Ffav%2Farticles%2F2004%2F19%2Fcover_news026.jpg)
(Image by Pixabay) この記事は、昨年の同様のスキル要件記事のアップデートです。 正直言って昨年バージョンとの差分は殆どないのですが、一応この1年間の業界の進歩を踏まえて僅かながらアップデートしてありますので、ベースとなっているスキル要件についてさらっと概観した上で、差分となるアップデート部分について簡単にコメントしておこうかと思います。 なお、いつもながらの断り書きですが。言うまでもなく、この記事の内容はあくまでも僕の個人的な意見にして、なおかつ僕自身がこれまでの経験と見聞に基づいて「これまで自分が属してきた組織やチームにおけるデータサイエンティストや機械学習エンジニアはこうだったor今後はこうあって欲しい」という最大公約数的な経験談や願望を書き並べたものに過ぎません。よって何かの組織や団体の意見を代表するものではありませんし、況してやauthorizeされた意見として見
こんにちは。sunnyと申します。運用企画チームというところで、サーバ監視運用部隊の運用をやっています。趣味はジョギングでマラソン大会にも出場しますが、一向にスリムになる気配がありません。知ってる方はつまらないけど、知らない方にとって「へー」となりそうな緩めの記事を書きます。よろしくお願いします。 AWSを学ぶ 今日は、AWS初学者にオススメの学習ノウハウのお話です。 何かをきちんと学ぶには本やドキュメントなどを読むという方法が一般的かと思いますが、私はどうも文字が苦手なので(もちろん必要な時は読みますが)、実際に手を動かしたり動画で学べるものが無いかと探しました。それで効果的だと思ったものをまとめましたので、書いていきたいと思います。ちなみに幸いなことに「AWSを勉強したい」と会社に言ったら、AWSのアカウントが貰えました。ありがとうございますありがとうございます。 注意 : AWSは日
セルフサービスなDWH。 データウェアハウス(Data Warehouse:DWH)は、直訳すれば「データの倉庫」で、データベース(Database:DB)の一種ですが、過去すべての時系列データを要約せずにそのまま保持し続ける、文字通り倉庫のような役割から、区別してそう呼ばれています。 また、DWHはデータを活用した意思決定に利用されることから、ビジネスインテリジェンス(Business Intelligence:BI)のひとつに位置付けられます。BIは経営・会計・情報処理などの用語で、企業などの組織のデータを収集・分析・可視化することで、ビジネスの意思決定に役立てる手法や技術のことを言います。 DWHを利用するのは商品開発やマーケティングなどの部門ですが、基幹データを扱うことから、管理するのは情報システム部門であることがほとんどです。管理部門がDWHのデータ設計と実装を行い、分析可能な状
こんにちは。皆様、夏はいかがお過ごしでしたか。 私は毎年実家に帰省し、そして毎年体調を崩すので、絶対風水的になんか合わないんだと思っています。コネクト支援チームのsakay_yです。 先日、2018年の新人研修資料を公開し、たくさんの反響をいただきました*1。ありがとうございました。 2019年もエンジニア新人研修を行いましたので、その紹介と講義資料を公開いたします。 2019年のエンジニア新人研修について 今年の研修は、組織運営チーム*2が取りまとめ、以下のような3構成となりました。 必修講義 誰に: 開発/運用本部に配属される新入社員 何を: どのチームに行っても必要となる基礎的な知識/技術/ツールを学び、体験できた 選択講義 誰に: 学びたい人が(=新入社員に限らず) 何を: 興味があることを学べた チーム体験(2週間 * 3チーム) 誰に: 開発/運用本部に配属される新入社員
Googleで培われたシステム管理とサービス運用の方法論である「サイトリライアビリティエンジニアリング(SRE)」のノウハウをまとめた本が「Site Reliability Engineering」です。英語版の内容が無料で公開されているほか、オライリーから発刊予定のSREに関する書籍「The Site Reliability Workbook」も、2018年8月23日までの期間限定で公開されています。 Google - Site Reliability Engineering https://landing.google.com/sre/book.html Site Reliability Engineeringを読むには上記のサイトにアクセスし、「READ ONLINE FOR FREE」をクリック。 目次が表示されるので、まずは序文から読んでみます。「Foreword」をクリック。
このような対話を通じて、レストランの検索に必要な情報をユーザから取得し、レストラン検索を行います。 今回、レストラン検索にはHotPepperグルメサーチAPIを利用させていただきました。ありがとうございます。 システムアーキテクチャ 対話システムは複数のモジュールから構成されています。今回は、各モジュールは独立に動作させず、前段階のモジュールの処理が終わった段階で駆動されるようにしています。 最終的なシステムアーキテクチャは以下の図のようになりました。 今回のアーキテクチャに沿って処理の流れを説明すると以下のようになります。 ユーザがテキストを入力すると、入力したテキストは言語理解部に入力されます。 言語理解部では入力されたテキストを解析して、対話行為と呼ばれる抽象的な意味表現に変換します。 言語理解部から出力された対話行為は、対話管理部に入力されます。対話管理部では入力された対話行為を
0. これはなんですか? Chat Bot界隈に乗り遅れた私のような人達のためのまとめ記事です。 主にLINE Chat BOTに焦点を当てて説明。このページと参考文献のURLだけで、 Botの背景、仕組み、アルゴリズムの全てを把握できるように心がけてます。(足りなかったらサーセン) 1.はじめに そもそもボットって何? 「ロボット」の略称で、人間がコンピュータを操作して行っていた処理を、人間に代わって自動的に実行するプログラムのこと。検索エンジンなどが利用するボットは「検索ロボット」「クローラ」などとも呼ばれる。 対話型ボット(チャットボット)の始まりについて 初期の対話型ボットで有名なのは「ELIZA(イライザ)」(1966)。 「DOCTOR」という来談者診断会話シミュレーションが有名。 Emacsにはじめからdoctorは入っていますので、すぐに試してみることが出来ます! Emac
本資料の内容 ・異常とは ・異常検知問題のタイプ ・時系列データのタイプ ・データの前処理 ・異常検知手法 ・性能検証 ・発展
Jason Mayes Senior Creative Engineer, Google Machine Learning 101 Feel free to share this deck with others who are learning! Send me feedback here. Dec 2017 Welcome! If you are reading the notes there are a few extra snippets down here from time to time. But more for my own thoughts, feel free to...
image: texel.graphics ファッションeコマース「ZOZOTOWN」を展開するスタートトゥデイが発表した「ZOZOSUIT」が大きな注目を集めている。まさか、着用者の身体のデータを測定するスーツが登場するとは思わなかった。しかも送料は注文者負担とはいえ無料提供だというから、さらに驚いた。 筆者も洋服はオンラインで購入することがだいぶ増えた。住んでいるドイツではファッションeコマースのZalandoがこの業界では最大手で、私もよく利用している。 だが、洋服をオンラインで買うときには「サイズが合うかわからない」「実際の着心地や肌触りがわからない」など、悩ましい点は結構ある。私自身、慎重に選んでいるつもりでも注文した品の半分ぐらいは返送している。 Zalandoは送料・返送料金は無料であるため、気軽に注文して試着し、返送するユーザーも少なくないだろう。その返品率は実に50パーセ
はじめに 目標の設定と指標の決定 目標の設定 指標の決定 評価指標に対する最低限の知識 機械学習における知識(補足) ニューラルネットワークの学習 最初に使うニューラルネットワーク 時間的にも空間的にも独立である複数の特徴量を持つデータ 空間の局所的な構造に意味のある多次元配列データ(例えば画像) 時間的な変動に意味のあるデータ(例えば音声、自然言語) ニューラルネットワークの細かい設定 ユニットの数と層の数 正則化 活性化関数 ドロップアウト バッチ正規化 学習の早期終了 性能が出ない場合 データの追加収集 ニューラルネットの設定をいじる 用いるニューラルネット自体を変更する 新たなニューラルネットワークの考案 コードを書くにあたって データ成形 結果を記録するコード フレームワークの利用 フレームワークの選択 ChainerとPyTorch TensorFlow Keras 最後に は
ディープラーニングは特定分野で非常に高い精度が出せることもあり、その応用範囲はどんどん広がっています。 しかし、そんなディープラーニングにも弱点はあります。その中でも大きい問題点が、「何を根拠に判断しているかよくわからない」ということです。 ディープラーニングは、学習の過程でデータ内の特徴それ自体を学習するのが得意という特性があります。これにより「人が特徴を抽出する必要がない」と言われたりもしますが、逆に言えばどんな特徴を抽出するかはネットワーク任せということです。抽出された特徴はその名の通りディープなネットワークの中の重みに潜在しており、そこから学習された「何か」を人間が理解可能な形で取り出すというのは至難の業です。 例題:このネットワークが何を根拠に猫を猫として判断しているか、ネットワークの重みを可視化した上図から答えよ(制限時間:3分) image from CS231n Visua
トランジスターの種類について述べ、個々のトランジスターの動作や性質を説明します。 以下の内容が含まれます トランジスターの種類 バイポーラートランジスター 抵抗内蔵型トランジスター JFET MOSFET BJTとMOSFETの動作 MOSFETの構造と動作 MOSFET:RDS(ON)の決定要因 MOSFET:低RDS(ON)化 Super Junction MOSFET MOSFETの構造別特長 MOSFET:ドレイン電流と許容損失 MOSFET:アバランシェ耐量 MOSFET:容量特性 MOSFET:安全動作領域(SOA) IGBT IGBTの動作 IGBT:縦方向デザインの進化 RC-IGBT/IEGTとは IGBTの応用機器 IGBTとMOSFETの比較 各トランジスターの比較まとめ MOSFET:最大定格 MOSFET:電気的特性 MOSFET:容量・スイッチング特性 MOSF
一応仕事で SQL Server は触っていて、テーブル型についても仕事で必要になった範囲でなんとなく使ってたんですけど、ちょっと応用したことをしようとしたらどう書けばいいのかわからなくなったので、自分の中で整理することにしました。 テーブル型変数の宣言 DECLARE @Table TABLE( Id int NOT NULL, Name varchar(20) NOT NULL ) テーブル型変数を使った SELECT SELECT * FROM @Table テーブル型変数への INSERT INSERT INTO @Table VALUES(1, 'Hoge') テーブル型変数の UPDATE UPDATE @Table SET name = name + '1' テーブル型変数の DELETE DELETE FROM @Table インラインテーブル値関数 RETURNS には
本記事は、当社オウンドメディア「Doors」に移転しました。 約5秒後に自動的にリダイレクトします。 「レコメンドつれづれ」は、レコメンド手法の概念や実装方法を中心に、レコメンドに関する基礎的な内容から最近流行りの技術まで幅広くご紹介する連載です。第3回は、レコメンドの評価方法について、代表的な評価方法・指標をピックアップしてご紹介します。 こんにちは。アナリティクスサービス本部の小田です。レコメンドについて考察していく連載の第3回です。 第1回 協調フィルタリングのコンセプトを知る 第2回 協調フィルタリングの実装 第2回では、協調フィルタリングの実装を行いました。本連載では今後各種手法を実装しながら比較していく予定ですが、その前にレコメンドの評価について確認したいと思います。といっても、レコメンド全体の評価となるとシステムやユーザビリティの評価など広範にわたりますので、今回はアルゴリズ
人工知能を理解している人と、全く分かっていない人を隔てる壁の1つに「人工知能はどこかでインストールできるプログラムだ」という誤解があります。私自身、「ダウンロードして使ってみたいんだけど」と相談された経験が何度もあります。 2017年現在、ビジネスの現場で「人工知能」という言葉が使われるとき、それが指し示す意味はほぼ「ディープラーニング(深層学習)」と同義です。そのため、Googleの機械学習ライブラリ「TensorFlow」や、Preferred Networksが開発したライブラリ「Chainer」がそうしたプログラムだと言えなくもありません。 しかし、これらは人工知能そのものを作れる汎用的なプログラムとはいえません。あくまで、人工知能が物事を学んだり、判断したりするための基準である「アルゴリズム」を作成するプログラムにすぎないためです。そのため、課題や状況に合わせて作り込む必要があり
マイクロチームでの高速な新規開発を支える開発・分析基盤 by @__timakin__ Builderscon2017でのプレゼン内容です。
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
処理を実行中です
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