AlexaからLINE Botに通知してみる(ASK+Messaging API+LINEログイン+Social API) - Qiita
はじめに Clovaのいいところとして、LINE Botと(Messaging API)の連携があります。 ただ、開発者的にもユーザー的にも一つ手間がかかりますがAlexa、GoogleAssistantでもLINE Botに通知を送ることはできます。 今回はAlexaを使って、その実装方法をみていきます。 この記事では、Alexaのスキル開発方法を一からは書いていません。 簡単なAlexaスキルを開発したことがある方を対象としています。 仕組み 以下のサービスを使います ASK(Alexaスキル) LINEログイン（Alexaのアカウントリンクに使用） MessagingAPI（LINE Bot) Alexaのアカウントリンクの機能とLINEログインを使用します。 これにより、ユーザーはスキルを有効にするときにLINEアカウントのログインを求められます。 そうすることでスキル側でMess
Yet another 機械学習で株価を予測する (3) - Qiita
1. 今回の目的 Yet another 機械学習で株価を予測する (1) Yet another 機械学習で株価を予測する (2) 1では日経平均の日足データから、翌営業日の日経平均が始値から終値にかけて上昇するか下落するか予想するプログラムを作りました。また2ではそのプログラムの検証を簡単な交差検定で行いました。いずれも予想される利益は0近辺で、利益を出すのは難しそうでした。 そこで今回は入力データの種類を増やし、予測の精度の改善を目指します。追加する指標としてはニューヨーク証券取引所のNYSE総合 (NYA)を使いましょう。また複数のテーブルを読み込みますので、共通な操作は関数としてまとめることにします。 2. 複数の入力データを使う場合の注意点 今回は複数の入力データを使います。それに伴い、入力データが1つだったときには気にする必要のなかった点に気を使う必要が出てきます。以下でそれ
Kerasで複数GPUで学習するときに中間結果モデル保存が失敗する問題の対応 - Qiita
背景 Keras (Tensorflow backend)で一台のパソコンに載っている複数GPUでトレーニング処理を回すとき、中間結果(チェックポイント)のモデルを、keras.callbacks.ModelCheckpoint関数をコールバック関数に設定して定期保存しようとしたとき、以下のエラーが発生。 Epoch 01000: saving model to ./log_Stacked_Hourglass_Network_v1_320x240_fp16_3rd_multiGPU/weights.1000-0.0039607391-0.0131516113.hdf5 Traceback (most recent call last): File "train_customized_SHN_resume_baobab_fp16_1stack_multiGPU.py", line 304,
Raspberry PiにTensorFlowをインストールして基本的な分類サンプル実行まで試した - Qiita
ディープラーニングを学ぶ最初の一歩としてTensorFlowのインストールとチュートリアルにあるKerasハイレベルAPIを使った基本的な分類のサンプルを試したので資料としてまとめてみました。(資料としてはもはや何番煎じかもわからないぐらいですが...) まだまだ理解も浅いため説明はかなりざっくりです(;´Д｀) コマンドはRaspberry Pi 3BにRaspbian9.0がインストールされた環境で実行しています。 インストール手順およびコードサンプルは2018.08.23時点の公式サイトから引用したものです。[1][2] Attribution Portions of this page are modifications based on work created and shared by Google and used according to terms described
AndroidでTensorFlowを使ってアプリ作りたいけど何すりゃいいの(前編) - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? タイトルと同じことを心でつぶやいている人は結構いると思います。 当記事では、「どんな仕組みで動くのか」ではなく、「どうすれば動くのか」に焦点を当てています。 飛行機はどんな理屈で飛ぶのか、ではなく、飛行機はどう操作すれば飛ぶのか、という感じです。 要するに何すりゃいいの 端的に言えば次の通り: 学習済みモデルを用意 プロジェクトにTensorFlowのライブラリを追加 TensorFlowInferenceInterface をnewして学習済みモデルを読み込ませる 画像とかを配列化してTensorFlowInferenceInterf
tf.keras.layers配下pool関連サブクラス - Qiita
pooling関連sub-class一覧 AveragePooling1D AveragePooling2D AveragePooling3D AvgPool1D AvgPool2D AvgPool3D GlobalAveragePooling1D GlobalAveragePooling2D GlobalAveragePooling3D GlobalAvgPool1D GlobalAvgPool2D GlobalAvgPool3D GlobalMaxPool1D GlobalMaxPool2D GlobalMaxPool3D GlobalMaxPooling1D GlobalMaxPooling2D GlobalMaxPooling3D MaxPool1D MaxPool2D MaxPool3D MaxPooling1D MaxPooling2D MaxPooling3D よく見ると、名
pandasの基本(使い方メモ) - Qiita
Pandasとは データ解析を支援する機能を持つPythonのオープンソースライブラリ Pandas DataFrame データを行列で保存 2次元のデータで値，インデックス，列で構成 要素には数値だけでなく文字列を入れることも可能 Pandas Series 1次元の配列としてデータを扱う 要素には数値だけでなく文字列を入れることも可能 使い方 データの変換方法 import pandas as pd Pandasをpdとしてインポート DataFrame.columns データフレームのカラム情報 DataFrame.index データフレームのインデックス情報 import numpy as np import pandas as pd body = np.array([[120,21,32],[12,213,32]]) # DataFrameに変換 df = pd.DataFram
Ubuntu (GeForce)× Nvidia-docker2 で Keras(Tensorflow-gpu) の環境構築 - Qiita
結論 UbuntuとNvidia-docker2を使うことで、GPU付きPCにおいて、Keras(Tensorflow)を利用可能なPythonプログラム環境を超簡単に構築できる！ 環境 ・Ubuntu 18.04 ・GeForce GTX1080 すること ・NVIDIAドライバのインストール ・docker-ceのインストール ・Nvidia-docker2のインストール ・コンテナ内で、GPUを使って、Kerasでプログラムを動かす。 （ネットの記事によっては、ホスト側にCUDAをインストールしているが、コンテナ内で実行するにあたって必要ないようだ。） はじめに CentOS7にTensorflow-gpuを使える環境を構築したことがあるものの、そのときはドライバーを入れたり、CUDAを入れたりで1日を費やした。ネットの情報を見ると、UbuntuとNvidia-dockerで簡単に環
Semi-supervised Domain Adaptation (Adversarial Residual Transform Network) の実装に関するメモ - Qiita
# generate toy data n_s = 1000 n_t = 1000 n_classes = 3 p_s = [0.4, 0.3, 0.3] p_t = [0.4, 0.3, 0.3] mu_s_1 = [0.0, 0.0] sig_s_1 = [0.2, 0.2] mu_s_2 = [0.0, 1.0] sig_s_2 = sig_s_1 mu_s_3 = [0.5, 0.5] sig_s_3 = sig_s_1 mu_t_1 = [2.8, 1.3] sig_t_1 = sig_s_1 mu_t_2 = [1.7, 0.3] sig_t_2 = sig_s_1 mu_t_3 = [2.0, 1.0] sig_t_3 = sig_s_1 y_s = np.random.choice(n_classes, n_s, p = p_s) y_s_one_hot = np.iden
任意の期間の、dateオブジェクト配列を生成する。 - Qiita
//１日ごと d3.scaleTime() .domain([new Date(2018, 8, 1), new Date(2018, 9,1 )]) .ticks(d3.timeDay, 1) //区間指定 //2日ごと d3.scaleTime() .domain([new Date(2018, 8, 1), new Date(2018, 9,1 )]) .ticks(d3.timeDay, 2) //月曜日ごと d3.scaleTime() .domain([new Date(2018, 8, 1), new Date(2018, 9,1 )]) .ticks(d3.timeMonday, 1) //1時間ごと d3.scaleTime() .domain([new Date(2018, 8, 1), new Date(2018, 8,2 )]) .ticks(d3.timeHour
matplotlib.basemapのエラーの対処法。 - Qiita
Pythonでmatplotlib.basemapを使って地図を描こうと試したとき、 エラー（AttributeError: 'AxesSubplot' object has no attribute 'get_axis_bgcolor'）がでて困りました。 その対処法がわかったの共有します。 matplotlibをつかって地図を描きたいかたは、このページをご参考にしてください。 matplotlib.basemapで簡単にマップを描画する このページを参考にして、matplotlib.basemapのモジュールをインストールします。 そして、このページにあるコードを実行すると、以下のエラーがでてきます。 File "/Users/anaconda3/lib/python3.6/site-packages/mpl_toolkits/basemap/__init__.py", line 17
matplotlib.basemapのbluemarble()のエラーの対処法。 - Qiita
下記のページを参考に、Twitterのデータを解析し緯度経度をmatplotlib.basemapに描くときに 発生したエラーとその対処法について示します。 Twitterのデータ解析で参考にしたのが以下のページです。 スタバTwitterデータ位置情報のビジュアライゼーションと分析 これを参考に衛星画像にTwitterデータより取得した緯度経度をプロットしようとしたところ、 以下のエラーが発生しました。 File "/Users/******/anaconda3/lib/python3.6/site-packages/mpl_toolkits/basemap/__init__.py", line 3982, in bluemarble return self.warpimage(image='bluemarble',scale=scale,**kwargs) File "/Users/k
kaggleのHome Credit Default Riskに挑戦した1週間 - Qiita
1日目 Kaggleにサインアップ〜Competitionに登録 https://www.kaggle.com/ Googleアカウントなどがあれば簡単にアカウントは作成できます。Competitionに参加するまでは以下の記事が参考になったので掲載させていただきます。 Kaggle事始め https://qiita.com/taka4sato/items/802c494fdebeaa7f43b7 ↓ログイン後のトップページ ↓コンペティション一覧ページ コンペを選んで「Join Competition」をクリックし、規約に同意すると参加完了です。 参加した「Home Credit Default Risk Competition」は、2018/8/29 11:59 PM (UTC)が最終締め切りでした。 https://www.kaggle.com/c/home-credit-defau
gensimのWord2VecをKerasのEmbeddingレイヤーに凍結 - Qiita
import pandas as pd from os.path import join from sklearn.utils import shuffle emotions = ["happy", "sad", ["disgust", "disgust2"], "angry", "fear", "surprise"] dir_path = "gathering/ja_tweets_sentiment" size = 60000 df = [] for i, es in enumerate(emotions): if isinstance(es, list): for e in es: data = shuffle(pd.read_json(join(dir_path, "{}.json".format(e)))).iloc[:int(size/len(es))] data['label'
Semi-supervised Domain Adaptation - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? # generate toy data n_s = 1000 n_t = 1000 n_classes = 3 p_s = [0.4, 0.3, 0.3] p_t = [0.4, 0.3, 0.3] mu_s_1 = [0.0, 0.0] sig_s_1 = [0.2, 0.2] mu_s_2 = [0.0, 1.0] sig_s_2 = sig_s_1 mu_s_3 = [0.5, 0.5] sig_s_3 = sig_s_1 mu_t_1 = [2.8, 1.3] sig_t_1 = sig_s_1 mu_t_2 = [1.7, 0
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
Kerasにおける"_make_predict_function()"の重要性 - Qiita
xubuntu18.04でmecab-ipadic-neologdを使えるようにする - Qiita
強化学習フレームワークgoogle dopamineインストール、テストまで - Qiita
Keras(GPU)の環境構築 - Qiita
Google製の強化学習フレームワークDopamineを使ってみる - Qiita
