Macアプリケーションを作成する際、通常のアプリメニューに登録できるホットキー以外のホットキーを使用したい場合があります。 また、常駐アプリ等メニューを持たないアプリケーションに関してはホットキーを使用するためにはを全てアプリケーション側で管理する必要があります。 今までこのような時は自身で実装するかPTHotKeyを使用するのが一般的だったかと思います。 しかし、この PTHotKey は長らくメンテナンスされておらず、各アプリがソースコードをコピーし独自改造が加えられて使用されていたりと新規で使用する際かなりの問題点がありました。 ここ最近Macアプリを作成する人が増えてきた中、このような基本となるライブラリがないため作成を諦めてしまうのはもったいないですし、iosのようにmacOS周辺ライブラリを増やすため、swiftを使用したホットキーを使用するためのライブラリを作成しました。 本

Xcode8が9月13日にとうとう正式にでたので早速インストールしてみました。案の定いろいろエラーが出てきたので即席対応した内容を共有します。 Use Legacy Swift Language Version 起動時にLaterを選択したにもかかわらず、シミュレーターや実機に書き込もうとすると

Mac portsで色々インストールしたら重くなってきた！ そんな貴方のためのmac ports clean up方法を紹介！ (1)homebrewにする(身も蓋もない...) (2)使ってない枝葉のポートを消し飛ばす。 $ sudo port -uf uninstall leaves (3)インストール時のゴミファイル消し飛ばす。 $ sudo port clean installed (4)アップデート後に残った古いversionを消し飛ばす。 $ sudo port uninstall inactive

portをアップデートして古いバージョンを消しつつ新しいバージョンをインストール、 最後にゴミファイルをクリーンまで一元化してshell scriptにまとめておく。 port syncよりかはまるごとselfupdateしてしまった方が良いらしい。 ナンデダロー。 #!/bin/sh port selfupdate port -uf upgrade outdated port clean installed

let's encrypt 正式版がリリースされました。 2016 年 4 月に let's encrypt は beta が取れて正式版となりました。（今更感がありますが…） クライアントの letsecnrypt コマンドも 0.5.0 になり、さらに certbot と名前を変えています。 そんなわけでサラッと、 certbot を使った let's encrypt の証明書取得を書き残したいと思います。 インストール対象の構成 Ubuntu 16.04 LTS nginx certbot 構成は上記のようになります。 設定ファイルとかディレクトリをこのエントリでは書かないので、過去の記事を参考にしてみてください。 certbot クライアントの入手 $ wget https://dl.eff.org/certbot-auto $ chmod a+x ./certbot-auto ダ

let’s encrypt で複数ホスト名対応な証明書を作る タイトル通りですが、割と簡単に複数のホスト名に対応した証明書が取得できるので、やってみました。 今回は ansible playbook のおまけ付きです。 let’s encrypt の困った問題 let’s encrypt ではワイルドカード証明書が無いので、複数のホスト名を1台のサーバでホスティングできないため、ちょっと困っていました。 ググって調べてみたら、let’s encrypt は SAN 対応の証明書だったら発行できる、と言うことだったので実際にやってみました。 その前に、SAN って何よ？ ワイルドカード証明書だと良く聞くと思うのですが、 SAN って何よ？と思う人も多いと思います。 SAN とは Subject Alternative Name の略称で、サブジェクトの別名です。 ん？サブジェクトってなに？　

ねこ経の編集部が神奈川県横浜市にあることはこれまでにも何度か触れてきたのですが、このほど横浜市内にも猫と飼い主のためにリノベーションされた素敵な賃貸ルームが完成。ありがたいことに内覧会のお声掛けを頂いたので、取材を兼ねて先日お邪魔してきました。 今回足を運んだのは、横浜市青葉区の梅が丘という地域にある「梅が丘森ビル」。猫専用にあちこち手を入れたリノベーションは、茶トラのオス猫・サノスケさんが社長を務めているというユニークな「サノスケ不動産」がプロデュースを手掛けています。 モデルルームとなっている403号室、まずはあれこれ語るよりも写真を見てもらいましょう。冒頭写真がメインの居室で、お昼すぎにお邪魔しましたがご覧の通り日当たり抜群です。 壁には収納を兼ねた段差つきのキャットウォークが。そして反対側の壁上部には猫が景色を眺めるのにピッタリの高窓があり、階段状の収納棚を用意。登り降りが愛猫にと

自分 (Katz) が手っ取り早く nginx のコマンドを使うためだけにまとめて公開している記事となります。 CentOS 6~7, Amazon Linux & Amazon Linux 2 で動作確認してます。 起動

注: 無線ネットワークは干渉などによりこの数値より遅くなる状況も十分ありえます。 ポイント メモリからの読み込みとディスクからの読み込みはランダムアクセスで1000倍程度違う とは言え、最近はディスクも結構速い きちんと繋がれた有線ネットワークからの読み込みは、ディスクより速い つまり、ディスクから読むより、同じデータセンターのマシンのメモリから読んだほうが速い モバイルネットワークだと100キロバイトのデータでも1秒以上かかることがある メモリからの読込速度の遅さは、CPUのクロック数も10G/s程度なのと、本来はL1/L2キャッシュなどがあることを考えると通常意識しなくて良い 何故この参考値をまとめたか プログラミングをする際、どのくらいの時間でどのくらいのサイズ感の処理が出来るのかを考えられることが、ある一定規模以上のサービスを開発するときは必須条件になってくると思います。 なにより

（お知らせ）現在、記事をhttps://qiita.com/fxst24に移行中です。 目次 01 FX 12 通貨ペアの自己相関 13 通貨ペアの平均回帰 14 通貨ペアのブレイクアウト 15 通貨ペアのブレイクアウト後 02 バックテストの陥穽 01 先読みバイアス 02 データ・スヌーピング・バイアス 03 政府の市場介入によるバイアス 04 為替・株価の予測で注意すべきこと 03 パフォーマンス評価 02 週単位、月単位で勝つためのトレード数 04 リスク管理 01 2%ルール 02 最適レバレッジ 05 勝率とドローダウン期間の関係 06 季節性 01 日中効果とレート水準 07 変化率 01 Zスコアと変化率 02 トレンド期間と変化率 04 イベントとディレクション 05 ラウンドナンバーと変化率 08 ボラティリティ 02 新高値・新安値とボラティリティ 03 ラウンドナン

(訳注：2016/6/28、記事を修正いたしました。) 本記事は、もう随分と前から投稿したいと思っていた強化学習（RL）に関するものです。RLは盛り上がっています。皆さんも既にご存知のこととは思いますが、今やコンピュータは ATARI製ゲームのプレイ方法を自分で学習する ことができ（それも生のゲーム画像のピクセルから！）、 囲碁 の世界チャンピオンにも勝つことができます。シミュレーションの四肢動物は 走って飛び跳ねる ことを学習しますし、ロボットは明示的にプログラミングするのが難しいような 複雑な操作のタスク でも、その実行方法を学習してしまいます。こうした進歩はいずれも、RL研究が基となって実現しています。私自身も、ここ1年ほどでRLに興味を持つようになりました。これまで、 Richard Suttonの著書 で勉強し、 David Silverのコース を通読、 John Schulm

{ "status": 0, "environment": "Production", "receipt": { "receipt_type": "Production", "adam_id": 0, "app_item_id": 0, "bundle_id": "bundle_id", "application_version": "1.0", "download_id": 0, "version_external_identifier": 0, "receipt_creation_date": "2016-02-18 12:15:48 Etc/GMT", "receipt_creation_date_ms": "1455797748000", "receipt_creation_date_pst": "2016-02-18 04:15:48 America/Los_Angeles",

ニューラルネットワークと深層学習 What this book is about On the exercises and problems ニューラルネットワークを用いた手書き文字認識 逆伝播の仕組み ニューラルネットワークの学習の改善 ニューラルネットワークが任意の関数を表現できることの視覚的証明 ニューラルネットワークを訓練するのはなぜ難しいのか 深層学習 Appendix: 知性のある シンプルな アルゴリズムはあるか? Acknowledgements Frequently Asked Questions Sponsors Resources ニューラルネットワークに関して最も衝撃的な事実の1つは任意の関数を表現できることです。 例えば誰かから複雑で波打った関数$f(x)$を与えられたとします： この結果はニューラルネットワークが一種の普遍性を持っている事を示しています。 計算し

Lambdaでコマンドやシェルスクリプトを実行してみる(Node.js) 小ネタです。 コマンドの実行をとりあえずやってみる Lambdaを選択後のBlueprintを選ぶ画面で node-exec というのがあるのでそれを選べば実行できます。 コードは以下のようになっていました。 var exec = require('child_process').exec; exports.handler = function(event, context) { if (!event.cmd) { context.fail('Please specify a command to run as event.cmd'); return; } child = exec(event.cmd, function(error) { // Resolve with result of process conte

(Photo credit: A Health Blog via Visual Hunt / CC BY-SA) 「人工知能」ブームが本格化してまだほんの数ヶ月だと思うんですが、気がついたらTV含む大手メディアが皆こぞって毎日のように「人工知能」を取り上げ、あまつさえ政府や与党の諮問会議でまで「人工知能」の語が飛び交う有様で、一体何をどうしたらこうなるのか僕には全く分かりません（汗）。 とは言え、実際にビジネスの現場でも「人工知能」への期待感が日に日に高まり続けているのは事実で、例えば友人知人の経営者との酒席でも「最近人工知能ってめっちゃくちゃ流行ってるじゃん、あれって実際どうなの？本当に役に立つの？今からでも人工知能事業に参入すべきなのかな？それとも俺たちあいつらに滅ぼされちゃうの？」みたいなことを聞かれることが多いんですよね。 ということで、そういう「人工知能」ブームに乗り遅れたけれど

先日のISUCONでは、Google Cloud Platform（以後GCP）のGoogle Compute Engine（以後GCE）が使われたわけですが、これが本当に便利だなーとおもったわけです。 cloud.google.com 初期登録のクレジットもあまっていますし*1、しばらくこれを仕事でも使うかな〜〜って思って使っていたら、これは大層便利だとおもったのでそのまとめです。私に対するカンペでもある。 しかし、GCPとかGCEとか全然名前がおぼえられない。Google…Compute…Cloud…、ちがう、それだとGCCだ…。 Google Compute Engine（GCE） はいわゆるEC2 GCEはいわゆるAWSのEC2です、EC2がわからない人は多分ここに来ないだろうから省略。違いは沢山ありますが、今回はgcloudコマンドの存在について書きたい。*2 AWS同様に、GC

Sublime Text は、私のお気に入りのプログラミング用テキストエディタです。 Sublime Textで気に入っている特徴の1つは、あいまい検索アルゴリズムです。ファイルや関数の検索が超高速なのです。これまで多くの人が、インターネット上で、この仕組みについて質問していましたが、満足の行く回答はありませんでした。そこで、私が自らこれを解明することにしました。 全部読むのが面倒な方へ 本文を読まずに最終結果だけ知りたいですか？　了解！　私は、あなたを責めたりしませんよ。 インタラクティブなデモ： こちらをクリック ソースコード： C++ 、 JavaScript Sublime Textの仕組み Sublime Textのあいまい一致とは何でしょうか。そして、なぜそれはそんなに賢いのでしょうか。聞いてくれてうれしいです。 Sublime Textには、2つの非常に便利なナビゲーション関

Amazon.comはディープラーニングを実現するライブラリ「Amazon DSSTNE」（Deep Scalable Sparse Tensor Network Engineの頭文字、読みはデスティニー）をオープンソースで公開しました。 GitHub - amznlabs/amazon-dsstne: Deep Scalable Sparse Tensor Network Engine (DSSTNE) is an Amazon developed library for building Deep Learning (DL) machine learning (ML) models DSSTNEは本番環境のワークロードに対応したライブラリで、以下の特長があります。 マルチGPUスケール 学習と予測のどちらも、複数のGPUにスケールアウトし、レイヤごとにモデル並列化の方法で（model-

最近(？)ニューラルネット(Neural Network)やらディープラーニング(Deep Learning; 深層学習)やらが流行ってきて、人工知能やらシンギュラリティやら言われるようになって、その中でよく言われるのが「ディープラーニングは人間の脳を模倣してる」とか「特徴量を選ばずに学習できる」とか、そんなことが言われるわけです。 けど、そういったキーワードが一人歩きして、「人工知能は危険だ」論とか、人工知能に対する過剰な期待論がはびこってしまっている気がする。そこで言いたいのが「ディープラーニングは人間の脳を模倣している」と言ってしまうのをやめましょう、という話。 ニューラルネットワークが「人間の脳を模倣」してる話 まず最初に、「ニューラルネットワークが人間の脳を模倣してる」論が、あながち間違ってないよ、ということを話しておきたい。あながち間違ってないんだけど、それでもやめたほうが良い