何度も挫折した自分が、LeetCode150問でデータ構造とアルゴリズムをやっと理解できた話 - Yuki Watanabe's Blog
データ構造とアルゴリズムを再学習する中で、LeetCodeを150問ほど解きました。その結果、これまで苦手だったグラフアルゴリズムも含め、自分で使いこなすレベルまで引き上げることができました。 本記事では、その過程で得た学びや、なぜこれまで挫折していたのかを振り返ります。 動機 やったこと 学び なぜ今までうまくいかなかったのか 演習問題を復習していなかった AtCoder中心の学習 その他の要因 データ構造とアルゴリズムの学習するうえでの個人的結論 教材の感想 [Web] CodingInterviewCat [書籍] 独学コンピューターサイエンティスト Pythonで学ぶアルゴリズムとデータ構造 [書籍] 問題解決力を鍛える! アルゴリズムとデータ構造 まとめ 動機 これまで私は、データ構造とアルゴリズムに関する書籍を何冊か手に取り、並行してAtCoderの問題にも取り組んできました。
Claude Code の流出したソースコードを GitHub に公開した人が著作権違反を回避した方法がヤバすぎ - Qiita
3月31日、AnthropicのAIコーディングツール「Claude Code」の全ソースコードが突如としてネット上に流出しました。 原因はなんと、npmパッケージに含まれた .map（sourcemap）ファイル 。 Bunでビルドしたときにデフォルトで生成されるsourcemapに、元々のTypeScriptソースが丸ごと埋め込まれていたのです。 これによりソースマップ経由でソースコードが流出しました。しかし、ヤバいのはここからです。 流出→即バックアップ→DMCA連発 最初に流出を報告したのは Fried_rice 氏。 公開されたZIP（src.zip）には、Claude Codeの全アーキテクチャ、システムプロンプト、ツール群、未公開機能フラグ（KAIROS、BUDDY、ULTRAPLANなど）、Undercover Modeまで完璧に含まれていました。 すぐに realsigr
Webサービスを作る上でRustを採用する必要ってほぼないよね
3/28追記：想定より多くの方にご覧いただき、貴重なフィードバックもいただきました。ありがとうございます。 いただいた指摘を踏まえ、Rustの強みについての記述を加筆し、開発コストに関する記述のバランスを修正しました。 この記事は「速いから」という理由だけでRustを選ぶのは違うかも、という初学者向けの言語選択の話です。 対象読者を明記せず、多くの方の貴重な時間を奪ってしまったことをお詫びします。 対象読者 基本的なプログラミングの概念を理解して、他の言語に手を広げてみようと考えている初学者の方 何が言いたいか 「速いからRust」は、ほとんどのWebサービスにとって不要な判断でしょう。 実行速度やメモリ効率だけを理由にRustを採用すると、特に学習段階では開発のハードルが上がりやすいので、アプリケーションの規模とボトルネックを見極めた上で判断しよう、という話です。 少し前に投稿した👇️
AIがオープンソースの「鍵」を壊す日――chardet騒動の本質｜情報の灯台
月間1億3,000万ダウンロードを超えるPythonライブラリが、AIで丸ごと書き換えられた。ライセンスごと。オープンソースの根幹を揺るがす問いが、いま目の前にある。 5日間で書き換えられた12年Pythonの文字エンコーディング検出ライブラリchardetに、激震が走っている。 メンテナーのダン・ブランチャードが3月4日（現地時間）、バージョン7.0をリリースした。これだけなら日常的なアップデートだ。だが中身は、日常とはほど遠かった。AnthropicのClaude Codeを使い、コードベースを一から書き直したうえで、ライセンスをLGPL（準コピーレフト）からMIT（寛容型）に変更したのだ。 chardetはPythonエコシステムの「インフラ」と呼べる存在だ。requestsをはじめとする無数のプロジェクトが依存し、PyPIでの月間ダウンロード数は約1億3,800万回に達する。その根
Claude Code に向いているプログラミング言語
ターン数とは、1 回のプロンプト実行中に Claude が何回 API ラウンドトリップ（ツール呼び出し → 結果受け取り → 次の応答）を繰り返したかの回数です。 v1（新規作成）の所要時間 v1 では言語間の差が大きく出ています。Python（32.9 秒）と Ruby（33.2 秒）が僅差でトップ、JavaScript（36.0 秒）が続きます。一方、Ruby/Steep は 105.0 秒と Ruby の約 3.2 倍。Lua（96.4 秒）や OCaml（80.9 秒）も遅め。 v1 は空のディレクトリからスタートするので、Cargo.toml や package.json などのプロジェクト設定ファイルを生成するコストが含まれます。Python/Ruby/JavaScript などは minigit ファイル 1 つを生成するだけで済むので、差が大きくなっている可能性があります
Claude CodeのSkillsを作成例から徹底理解する
はじめに：AIエージェントの「できること」を拡張する Claude Codeは、ターミナル上で動くAIエージェントです。コードの読み書きだけでなく、PowerShellやPython、OSコマンドの実行もできます。しかし、プロジェクト固有の業務手順やツール連携をClaudeが最初から知っているわけではありません。 ここで登場するのが Skills です。 Skillsとは、Claude Codeに「特定の業務をどう実行するか」を教えるための仕組みです。SKILL.md というファイルに手順を書いておくだけで、Claudeはそのスキルを自律的に選択し、PowerShellスクリプトやPythonプログラムを実行して業務を遂行します。 新人に業務マニュアルを渡すのに似ています。マニュアル（SKILL.md）とツール（スクリプト）をセットで渡せば、新人はそれを読んで自分で判断し、作業を進めてくれ
機密データも安全に。Python+Ollamaで16,000チケット→496観点のレビューチェックリストを自動生成 - 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 GMOコネクトの永田です。 「過去3年間で15,000件以上のレビューコメントが蓄積されているけど、誰も活用できていない」 「新人に『過去のレビュー観点を参考にして』と言っても、どこから見ればいいか分からない」 「レビュー基準が属人化していて、レビュアーによって指摘内容がバラバラ」 こんな課題、ありませんか？ ソフトウェア開発プロジェクトでは、過去のレビュー活動から多くの知見が蓄積されていきます。しかし、それを実際に活用しようとすると、以下のような壁に阻まれます： 膨大なデータ量: 数万件のチケットから有益な情報を抽出するには
FastAPI + async/awaitでAPI速度を3倍にする最適化手法
はじめに 「PythonのAPIが遅い...」 「非同期処理を使っているのにパフォーマンスが出ない...」 「FastAPIとDjangoのどちらを選ぶべき？」 Python Web開発では、適切な非同期処理を実装することでAPI応答速度を3倍改善できます。しかし、間違った使い方をすると、逆にパフォーマンスが悪化することもあります。 この記事では、想定されるSNSアプリのシナリオをもとに、3つの最適化手法とその効果を解説します。数値は一般的なベンチマークや技術資料に基づく想定値です。 想定シナリオ：最適化前の状況 まず、最適化前のAPIパフォーマンスを想定してみましょう。 想定するプロジェクト 規模: FastAPI + PostgreSQL、ユーザー15万人規模 チーム: バックエンド開発者4名程度 用途: SNSアプリのREST API よくあるパフォーマンス問題 レスポンスタイム:
新しいプログラミング言語「flux」- Rustの安全性とPythonの柔軟性を両立させる試み
はじめに 「もっと安全に、もっと手軽に、AI/ML開発ができないだろうか？」 そんな思いから、新しいプログラミング言語 flux の開発を始めました。fluxは、Rust製のインタプリタ言語で、システムのパフォーマンスと安全性、そしてPythonの豊富なライブラリ資産を両立させることを目指しています。 この記事では、fluxを開発した背景にある思想、そのユニークな特徴、そして基本的な使い方から今後の展望までをご紹介します。 flux GitHubリポジトリ なぜ「flux」を作ったのか？ - 開発の動機と哲学 現代のソフトウェア開発、特にAI/ML分野では、Pythonがデファクトスタンダードとなっています。NumPy、PyTorch、TensorFlowといった強力なライブラリ群は、研究開発に欠かせない存在です。 しかし、動的型付け言語であるPythonには、実行時までエラーが発覚しにく
uv, ruff, ty, marimoで作る！次世代のPython研究開発環境
はじめに この記事では、実際に私が使っているPythonを使った研究環境の構築方法を紹介します。 なぜ既存の方法ではダメなのか？ 従来のpipやvenv、black、flake8、mypy、Jupyter Notebookといったツールの組み合わせは、多くのPython開発者にとって馴染み深いものです。しかし、これらのツールには以下のような課題があります。 パフォーマンス: pipは依存関係の解決やパッケージのインストールに時間がかかることがあります。特に大規模なプロジェクトでは、環境構築に多くの時間を費やすことになります。型チェックツールmypyは実行速度が遅いため、開発の妨げになることがあります。 設定が複雑: フォーマッタであるblackやリンターであるflake8は、ツールが分かれているので設定が分散しがちで面倒です。 再現性の確保: Jupyter Notebookは便利ですが、
uvのキャッシュがアグレッシブすぎる - 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 uv は速い。速さの一つが、キャッシュをアグレッシブに使っていることにあります。そのアグレッシブさゆえに、ユーザーがuvのキャッシュ機構を把握していないと、無関係なプロジェクトを知らず知らず破壊することがあります。 キャッシュを通じたプロジェクト破壊 uvのキャッシュは、デフォルトでプロジェクトを跨いで共有されます。特にLinuxやWindowsの場合 (macOSについては後述)、プロジェクトで uv add foo を実行してインストールしたパッケージ foo のファイルは、キャッシュファイルのハードリンクとなります。2回
投資xAIで勉強してきたことまとめ
この記事は、投資とAI（機械学習）の交差点に興味を持ち、実際に学習を進めてきた記録とリソースのまとめです。 本記事は、マケデコアドベントカレンダー１日目の記事です。 はじめに 近年、個人のPCスペック向上やPythonライブラリの充実により、個人でも高度な金融データ分析やバックテストが可能になってきました。「投資 x AI」の領域は非常に奥が深く、どこから手をつければ良いか迷うことも多いです。 今回は、私がこの領域を学ぶにあたって実際に取り組んだMOOC（オンライン講座）、読み込んだ専門書、そしてインスピレーションを受けた読み物を体系的にまとめます。これからクオンツトレードやファイナンス機械学習を学びたいエンジニアの方々の参考になれば幸いです。 1. 手を動かして学ぶ（MOOC編） まずはPythonを使って実際にポートフォリオ構築やアルゴリズムを実装する講座です。理論だけではイメージしづ
uv + Ruff + mypyで構築する超軽量Python開発環境 – イメージサイズ削減・型安全性確保を実現
はじめにども！前回「DevContainer と uv で構築する爆速 Python 開発環境」という記事を書いた龍ちゃんです。 この記事を社内で報告したところ、上司から「リンターとフォーマッターは何を使っているの？」という質問をいただきました。確かに、せっかくパッケージマネージャーに uv を採用しているなら、同じ Astral 社が開発している Ruff で統一した方が良いですよね！ ということで今回は、uv + Ruff で統一した Python 開発環境を構築してみました。さらに、ベースイメージも見直すことで、イメージサイズを 83%削減（1.63GB → 273MB）することに成功しています。 Streamlit を使ったデータ分析アプリをサンプルとして作成していますが、もちろん Streamlit 以外のプロジェクトでも利用可能です。リポジトリは公開しているので、必要な方はクロ
ロボット掃除機のデータ送信をブロックしたところ遠隔操作で使用不可能にされてしまったが自力で復活させたという体験談
IoT家電はインターネットに接続することでさまざまな機能を実行できますが、時にはインターネットにつながっていることがリスクになります。インド出身のソフトウェア開発者であるハリシャンカール氏が、「ロボット掃除機のデータ送信をブロックしたところ遠隔操作で使用不可能にされてしまったが、リバースエンジニアリングして自力で復活させた」という体験談を報告しました。 The Day My Smart Vacuum Turned Against Me https://codetiger.github.io/blog/the-day-my-smart-vacuum-turned-against-me/ Manufacturer issues remote kill command to disable smart vacuum after engineer blocks it from collecting
Pythonの非同期処理でasync/awaitがつらい人はWoveを使ってみてはどうだろう? #こまPy｜Atsushi Shibata
Pythonの非同期処理でasync/awaitがつらい人はWoveを使ってみてはどうだろう? #こまPy みんなのPython 第5版発売中です！Pythonで非同期処理というと標準のasyncioを使ってasync / awaitなコードを書くことを思いつく人が多いと思います。ただasyncioには独特の「つらみ」があって、嫌いな人がいるのです。私もあんまり好きじゃない。この「つらみ」を解消しうるライブラリWoveを紹介します。最近バージョン1.0がリリースされたので、紹介したいと思います。なお、はてブでホットエントリ入りしたので(ブックマークしてくれたみなさん、ありがとうございます！)、他のasyncio様のライブラリを比較表を追記しました。 asyncはなぜつらいのか？Pythonのasyncioは、I/O待ちの多いプログラム（WebアクセスやDB通信など）を効率化する強力な仕組み
【実践】PythonとOpenStreetMapで学ぶ経路システム開発入門 - uepon日々の備忘録
前回はGoogle Map APIを使用して開発を行いましたが、今回はOpenStreetMapを使用した似たようなことにチャレンジしてみようと思います。Pythonを使ってOpenStreetMapの経路検索URLを生成する方法ことを目的とします。 参考 uepon.hatenadiary.com オープンストリートマップ（OpenStreetMap）とは？ オープンストリートマップ（英語: OpenStreetMap、OSM）は、自由に利用でき、なおかつ編集機能のある世界地図を作るオープンコラボレーションプロジェクトである。GPS機能を持った携帯機器、空中写真、衛星画像、他の地理情報システムからのデータをもとに作られていくのが基本だが、編集ツール上で道1本から手入力での追加も可能である。与えられた画像とベクトルデータセットはオープンデータベースライセンス（ODbL）1.0のもと再利用可
ローカルLLMを使ってRAGシステムを組み最新の論文を追いやすくする試み
arXivには1日あたり全体では800件ほどの論文が投稿されます。Quantum Physicsカテゴリだけでも50~100件ほどです。これだけの量を自力で追うのは現実的ではないでしょう。そこで、投稿論文をLLMで要約してRAGのナレッジベースに蓄積し、全体の動向を把握しやすくするシステムを実験的に構築しました。正直前の記事と思いっきり内容が被っているのですが、1つ1つの論文を詳しく読むというよりも、全体の動向を把握することに重点を置いたシステムであるという点では違いがあります。 この記事のコードはGitHubで公開しています。 システム全体図 このシステムはDocker Compose上で動作させることを想定しています。主要なコンテナは3つ(RAGFlow, Ollama, Python worker)です。この他に補助的なコンテナ(ElasticSearchやMySQL)もいくつか動い
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
【緊急】月間9500万DLのLiteLLMが乗っ取られた。インストールしただけでSSH鍵・AWS認証・仮想通貨が全部盗まれる - Qiita
Pythonの仮想開発環境「uv」のキホン
「Excel」→「LibreOffice」移行をマクロでも、VBAっぽく使えるPythonライブラリが仮公開／その名も「Excel Like UNO」、モダンな設計でIDEの開発支援や保守の面でもメリット
