簡単！ JavaScriptで自動UIテスト (NodeJS, Selenium Webdriver, WebdriverIO, mocha, gulp) - Qiita
簡単！ JavaScriptで自動UIテスト (NodeJS, Selenium Webdriver, WebdriverIO, mocha, gulp)JavaScriptNode.jsSeleniummochagulp はじめに Webアプリ開発において、UIのテストは手動になりがちで、 専門のQAチームがいないと、なおざりになるケースが多いかと思います。 本記事では、オープンソースウェアのSelenium Webdriverを主軸に 現時点で筆者が最善だと思う 「JavaScriptで自動UIテストを行う」 方法をご紹介します。(ES6準拠) ポイント ワンライナーで実行可能にする (CI向き) テスト修正が容易 (保守性 高) Windows/Mac環境に依存しない (チーム開発向き) 環境 Windows 10 (Version 1607) / macOS Sierra 10.1
真偽値を返す関数のネーミング - Qiita
みんな exists を使ってます。 納得できようができまいが、exists なのです。 ソフトウェアの世界では、Apple と Microsoft と Google が黒と言ったら黒です。 黙って従いましょう。 このように、関数名の表現に困ったら、世の中の API を参考にすると良いです。 非ネイティブの我々では思いつかないような的確な表現が見つかることもあります。 関数の名付け方 真偽値を返す関数は if 文で使われることが多いので、頭に if を置いて最もしっくり来る表現が良いと思います。 個人的には、真偽値を返す関数名を考えるときは以下のフォーマットに当てはめるようにしています。 if オブジェクト名 関数名 「項目が選択中だったら」なら "if item is selected" なので関数名は item.isSelected() となります。 同様に「項目が存在したら」なら "
バンディットアルゴリズムを使って広告最適化のシミュレーションをしてみたよ - Qiita
はじめに 本エントリではバンディットアルゴリズムの各手法について，実際のユースケースを想定したシミュレーションを行うことで，それぞれの手法の特徴を把握すること目的とします． バンディットアルゴリズムについて日本語でよく参照されているのは以下のQiitaの投稿でしょうか． http://qiita.com/yuku_t/items/6844aac6008911401b19 また以下の資料では各手法の詳細や特徴，簡単なシミュレーションも紹介されています． http://www.slideshare.net/greenmidori83/ss-28443892 上記の資料の手法の紹介はとてもわかりやすいので本エントリでは手法の紹介は特にしません． 想定するユースケース あなたは今1万回表示されてクリック率が1.2%出ている広告を1クリック60円で運用しています． もっとクリックされる広告を見つける
Matrix Factorizationとは - Qiita
Machine Learning Advent Calendarです。 普段はGunosyという会社で推薦システムを作ってます はじめに 推薦システムに関する最近の文献を読むと結構な割合で出てくるMatrix Factorizartion(MF)と呼ばれる手法があります。 ざっくり言うとこの手法は協調フィルタリングにおける次元削減を行うことでよりよい推薦を行おうという手法であり、 Netflix Prize(100万ドルの賞金が賭けられた推薦システムのコンテスト)で最も成果を上げたモデルの一つでもあります。 本記事ではこの手法を紹介していきます。 協調フィルタリング まず協調フィルタリングについておさらいしましょう。 あるサービスで3人のユーザが５つのアイテムに対して5段階評価をしたとき、その評価値を以下のようにベクトルで表すことができます。 \vec{user_{1}} = (4, 5,
Recommender Systems survey - Knowledge-Based Systems (2013) 読んだ (1/2) - Qiita
Recommender Systems survey - Knowledge-Based Systems (2013) 読んだ (1/2)機械学習MachineLearning論文推薦システム 長いので2回に分ける 概要と読む動機 2012年10月投稿，2013年4月採択の推薦システムのサーベイ論文 最新の技術動向の流れを確認したくて読むことにした 著者らもこのサーベイは過去のものと違い，有名な手法ではなく推薦システムのの進化に焦点を当てると述べているので期待がもてる 推薦システムのサーベイ論文について イントロに書かれている内容の気になったところをメモ 近年の推薦システムの適用領域について http://dl.acm.org/citation.cfm?id=2181690 初期の推薦システムの方式について http://link.springer.com/article/10.1023/
IIR chap 14: ベクトル空間分類 - Qiita
Introduction to Information Retrieval の14章輪読用 Gunosy研究会 #31 の資料です Introduction ナイーブベイズでは用語を用語列か2値ベクトルで表現した 本章ではベクトル空間モデルを用いて文書を表現し，テキストを分類する． 基本的な考え方 ベクトル空間モデルでは各用語に対して1つの実数値の要素をもつベクトルとして各文書を表現する 通常TF-IDFを用いる R^|V| のベクトルとして表現される ベクトル空間分類は連続性仮説(contiguity hypothesis)の元に成り立つ 同じクラスの文書は連続した領域を形成し，他のクラスの領域とは重なり合わない． 連続領域に写像されるかどうかは文書の表現方法による 重み付け・ストップワードなど ex: "グループによって書かれた文書"と"個人によって書かれた文書"を区別したいケース 一
1
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
