Pythonで型を極める？（型チェックをいつするべきか） - Qiita
とする、という例が登場します。 しかしながら、この例では、型は書くべきではないと思います。 不必要に型を特定するのは良くないです。 この場合、a+bという演算に意味があるような型であればよいのであって、intに特定するのは「悪い」プログラミングスタイルだと思います。 もちろん、上記は、単なる例として出しているだけ、というのは理解していますが、それでも、この例は「例として不適切」だと考えます。 intに特定するとどういったケースで不都合があるのでしょうか？ 現実は理想論だけではすまない、というのをわかった上で、理想論として語れば、 具象型に対してではなくて、インタフェースに対してプログラミングするべき だからです。 この例で言えば、add関数は、「+演算子で加算できる」という性質（インタフェース）を備えた任意のオブジェクトに対して適用可能です。もちろん、個々の具体的な型によって、+演算子が実
コンピュータサイエンス教育事業を開始 - 株式会社Preferred Networks
第1弾として小学生から始めるプログラミング教材「Playgram」を開発、やる気スイッチグループと提携し、教室とオンライン授業に導入 株式会社Preferred Networks（本社：東京都千代田区、代表取締役 最高経営責任者：西川徹、プリファードネットワークス、以下、PFN）は、深層学習などAI技術の実用化が進むこれからの時代に不可欠な論理的かつ創造的な思考力を育み、世界レベルで活躍できる人材の育成を目指してコンピュータサイエンス教育事業を立ち上げます。 その第１弾として、PFNは小学生から始めるプログラミング教材「Playgram™（プレイグラム）」を開発しました（公式サイト: https://playgram.jp）。総合教育サービス事業を展開する株式会社やる気スイッチグループ（以下、やる気スイッチグループ）と提携し、2020年8月より、プログラミング教室パッケージとして首都圏の3
Python ライブラリを Ruby から使う
English version is available at github PyCall は Ruby の中から既存の Python ライブラリを使うにはとても便利なライブラリです。 とはいえ、これは Ruby から Python の関数を呼ぶためのライブラリなので、Python の関数を１回呼ぶ度に Ruby に制御が戻ってきます。 これが元でちょっと間違えやすいこともあるようです。 例えば下のような記事を見つけました。 Ruby×PyCallでTensorflowのMNISTチュートリアル「連想配列の違いで手間取った」 そこで Ruby の柔軟な構文を活かして、Python っぽいコードを Ruby プログラムの中に埋め込んでおくと、そこだけまとめて切り出して Python に送って実行する DSL を作ってみました。 Yadriggy を使って作っています。 この DSL の実装は
ExcelにPython搭載、マイクロソフトが検討。アンケートを実施中
Excelユーザーの要望をとりまとめるサイトで、ExcelへのPython搭載の要望が相次いだ。その結果、マイクロソフトは検討のためのアンケートを開始した。 Excelは業務アプリケーションとしてもっとも使われ、普及している製品のひとつでしょう。そのExcelを今後も発展させていくために、マイクロソフトはユーザーが要望を提案できるコミュニティサイト「Excel’s Suggestion Box」（英語）を公開しています。 このコミュニティサイトに2015年11月、Excelのスクリプティング言語としてPythonを搭載してほしいという要望「Python as an Excel scripting language」がポストされました。 それから2年以上が経過し、現時点でこの要望は2位以下を大きく引き離す3862票の賛成票（2017年12月17日現在）を獲得して要望リストのトップにあがってい
ニューラルネットの学習過程の可視化を題材に、Jupyter + Bokeh で動的な描画を行う方法の紹介 [Jupyter Advent Calendar 2017] | LESS IS MORE
ニューラルネットの学習過程の可視化を題材に、Jupyter + Bokeh で動的な描画を行う方法の紹介 [Jupyter Advent Calendar 2017] 前置き Jupyter Advent Calendar 2017 14日目の記事です。この記事は、Jupyter notebookで作成したものをnbconvertでmarkdownに変換し、手で少し修正して作りました。読み物としてはこの記事を、実行するにはノートブックの方を参照していただくのが良いかと思います。 ノートブック (gist) nbviewer 概要 適当なニューラルネットの学習過程の可視化（ロス、正解率の遷移等）を題材にして、Bokehを使って動的にグラフを更新していくことによる可視化の実用例を紹介します。このノートブックの冒頭に、最後まで実行すると得られるグラフ一覧をまとめました。どうやってグラフを作るのか
![ニューラルネットの学習過程の可視化を題材に、Jupyter + Bokeh で動的な描画を行う方法の紹介 [Jupyter Advent Calendar 2017] | LESS IS MORE](https://cdn-ak-scissors.b.st-hatena.com/image/square/30305c278f50a8a35b512fe1c5e02d0b2bf1fe04/height=288;version=1;width=512/https%3A%2F%2Fr9y9.github.io%2Fmedia%2Ficon_hu71488a41e9448d472219f1cc71ecc0ad_259818_512x512_fill_lanczos_center_3.png)
Latent Predictor Networks for Code Generation
Many language generation tasks require the production of text conditioned on both structured and unstructured inputs. We present a novel neural network architecture which generates an output sequence conditioned on an arbitrary number of input functions. Crucially, our approach allows both the choice of conditioning context and the granularity of generation, for example characters or tokens, to be
A map of the PyData Stack
One question you have when you use Python is what do I do with my data. How do I process it and analyze it. The aim of this flow chart is to simply provide a simple to use ‘map’ of the PyData stack. At PyData Amsterdam I’ll present this and explain it in more detail but I hope this helps. Thanks to Thomas Wiecki, Matt Rocklin, Stephan Hoyer and Rob Story for their feedback and discussion over the
wheelのありがたさとAnacondaへの要望 - YAMAGUCHI::weblog
はじめに こんにちは、Python界のラファエル・ナダルです。全豪オープンテニス、盛り上がりましたね。さて、先日次のようなエントリーを立て続けに書いたんですが、「なぜAnacondaに関しての記述がないのか」という突っ込みをもらったので、参照用にメモを残しておきます。 Pythonの仮想環境構築 2017.01版 - YAMAGUCHI::weblog Pythonの環境設定でむかついてる人はとりあえずこれをコピペで実行してください 2017.01 - YAMAGUCHI::weblog なおこの記事の作成にあたっては @aodag に数多くのアドバイスをいただきました。この場を借りて感謝。 TL;DR condaの開発者はPyPAともっとコミュニケーションとってほしい。 前提 この記事はPythonを触り始めたばかりだけど、パッケージ管理ツール等々のスタンダードがどのようになっているかな
RejectKaigi 2017で『Rubyで機械学習を行うための「巨人の肩に乗る」別の方法』という発表をしました - @naitohの日記
RubyKaigi 2017 に CFP を出したところ残念ながら Reject されてしまい、この内容を発表する場が無いかなと考えていたところ、 RejectKaigi 2017 に発表の機会を頂きましたので、お話させて頂きました。 スライドは下記に公開してますので、ご覧ください。 Reject kaigi2017 naitoh from Jun Naitoh www.slideshare.net お話した内容は Ruby で機械学習をしたいと思った場合、現状では不可能なため、下記の三つの内容について Ruby コミュニティで取り組みが行われており、 既存のgemをなんとかすること Rubyのための仕組みをつくっていくこと 巨人 (Python) の肩に乗る方法 この中の現実的な解が「巨人 (Python) の肩に乗る方法」を実現しつつある PyCall になります。 PyCall の詳
Prophetを使ってこの先を占ってみた - Money Forward Developers Blog
こんにちは。 エンジニアの伊藤です。 今は新サービスの立ち上げを行っています。 何事もそうなのですが、不確実なことがあるとどうしても先行きを占ってみたくなる‥ それが人間の心理というものではないでしょうか。 (コードを書くことによる安心感がそれに勝るのかもしれません) そんな中、今年の2月にFacebookの方が時系列解析のライブラリをRとPythonでリリースしていたので、今回はそれを活用して、この先の見通しを行ってみたいと思います。 その名も Prophetです。 ソースのGithubのリンクは こちら Prophetとは、直訳すると預言者という意味となり、まさにこの先を占うにはうってつけのライブラリの名称ですね。 普段の私であればR言語でサポートされているパッケージを使うのですが、AIファーストという大号令も出たことなので、Pythonのライブラリで今回はその予言のほどを試してみたい
Working with Matplotlib on OSX — Matplotlib 3.1.0 documentation
Working with Matplotlib on OSX¶ On OSX, two different types of Python builds exist: a regular build and a framework build. In order to interact correctly with OSX through the native GUI frameworks, you need a framework build of Python. At the time of writing the macosx and WXAgg backends require a framework build to function correctly. This can result in issues for a Python installation not build
— kennethreitz.org
kennethreitz.org Artificial Intelligence Essays Music Photos Poetry Software Talks Contact Kenneth Reitz My Family Great Books Mental Health On Music A Concise List of Personal Values Yoga & Meditation This website is a work–in–progress; it is a place where I share my thoughts, ideas, and projects with the world. Thanks for stopping by! I am a software engineer, writer, and speaker, and I am passi
Edward – Home
A library for probabilistic modeling, inference, and criticism. Edward is a Python library for probabilistic modeling, inference, and criticism. It is a testbed for fast experimentation and research with probabilistic models, ranging from classical hierarchical models on small data sets to complex deep probabilistic models on large data sets. Edward fuses three fields: Bayesian statistics and mach
Python を速くする取り組み - methaneのブログ
速い Python 実装といえば PyPy が有名ですが、 Python 3 へのキャッチアップが遅い、 CPython が持っている Python/C API のサポートがまだ弱く遅い、などの欠点があります。 また、 Google の1年プロジェクトだった Unladen Swallow もありました。これは CPython をフォークして LLVM で JIT を実装するものでした。この fork 実装は終わりましたが、この時期まだ不安定だったLLVMへの貢献は大きく、（ちゃんとおってないので憶測ですが）現代LLVMを利用したJITを実装しているプロジェクトは全部間接的に Unladen Swallow の成果の上に成り立っていると言えるかもしれません。 終了した JIT プロジェクトといえば、 psyco もありました。これはベタに CPython の JIT を実装していましたが、
Pipelines and Reuse with dask
tl;dr: We use dask to accelerate parameter searches over machine learning pipelines by naming consistently. This work builds on work done with Andreas Mueller, Olivier Grisel, with suggestions by Gael Varoquaux Disclaimer: this blogpost discusses experimental and buggy code. Outline¶Computational costs of machine learning applications are multiplied by the following: Pipelines of several transform
What is Anaconda? - Anaconda
Anaconda DistributionWith over 6 million users, the open source Anaconda Distribution is the fastest and easiest way to do Python and R data science and machine learning on Linux, Windows, and Mac OS X. It's the industry standard for developing, testing, and training on a single machine. Anaconda EnterpriseAnaconda Enterprise is an AI/ML enablement platform that empowers organizations to develop,
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
Jupyter Notebook Viewer
http://www.goto.info.waseda.ac.jp/~fukusima/ruby/python-e.html
Quantopian: The Place For Learning Quant Finance
GitHub - AlpacaTechJP/selectivesearch: Selective Search Implementation for Python
