ノイズの多い時系列データをスムージング（MAとSSA）して、予測モデルを構築（LSTM）する - QiitaDeleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?
dockerで機械学習(25) with anaconda(25)「Mastering TensorFlow 1.x」By Armando Fandango - Qiita
以下のshell sessionでは (base) root@f19e2f06eabb:/#は入力促進記号(comman prompt)です。実際には数字の部分が違うかもしれません。この行の#の右側を入力してください。 それ以外の行は出力です。出力にエラー、違いがあれば、コメント欄などでご連絡くださると幸いです。 それぞれの章のフォルダに移動します。 dockerの中と、dockerを起動したOSのシェルとが表示が似ている場合には、どちらで捜査しているか間違えることがあります。dockerの入力促進記号(comman prompt)に気をつけてください。 ファイル共有または複写 dockerとdockerを起動したOSでは、ファイル共有をするか、ファイル複写するかして、生成したファイルをブラウザ等表示させてください。参考文献欄にやり方のURLを記載しています。 複写の場合は、dockerを
Bot Builder v4 でボット開発 : 複数ダイアログの管理 - Qiita
前回はウォーターフォールダイアログを使って、複数のプロンプトを扱う方法を紹介しました。今回は複数の ComponentDialog ダイアログを既存のボットに追加して、管理する方法を見ていきます。 追加するダイアログとシナリオ 今回の記事では、前回追加した ProfileDialog に加え、以下のダイアログを追加します。 MenuDialog : ボットの機能を伝えるダイアログ WeatherDialog : 天気を知らせてくれるダイアログ ScheduleDialog : 予定を知らせてくれるダイアログ また、ProfileDialog はユーザーが初回にボットに話しかけたタイミングで実行するようにします。 ダイアログスタック ダイアログにはスタックという考え方があります。 まず初めのダイアログがスタックに追加される (BeginDialogAsync) 子ダイアログを呼ぶと、現在のダ
Slackに安西先生ジェネレータを召喚するレシピ - Qiita
Fs = require 'fs' Canvas = require 'canvas' Request = require 'request' module.exports = (robot) -> robot.respond /meme (\S+) (\S.*)$/i, (msg) -> name = msg.match[1] text = msg.match[2] # 画像の情報を取得 if collage = findCollage(name) path = './scripts/meme/' # 画像の読み込み Fs.readFile path + collage.image, (err, data) -> if err msg.send '指定された画像の読み込みに失敗しました...' else # 画像をCanvasへ書き込み image = new Canvas.Image
ask cliからAlexa skillをdeployする - Qiita
はじめに Alexaスキルを開発するときに、対話モデルの作成はAlexa Skills Kit開発者コンソールでビジュアルに作っていくのがとても便利でおすすめですが、AWS Lambdaに置くLambda関数のnode.jsのコーディングとなると、AWSの開発者コンソールではAlexaスキルのテンプレートもないため、何から手をつけたらよいのか途方に暮れてしまいます。 そこでAlexaスキルのコマンドライン開発環境をインストールしておくと、スキルの作成とクラウド上への配置を簡単に行うことができ、格段に開発しやすくなります。 ask-cliの設定 手順０：コマンドライン開発環境ask-cliのインストール コマンドライン開発環境はask-cliというもので、これをインストールします。 インストール手順は公式のこちらの手順のとおりです。 コマンドプロンプトから以下のようにバージョンを確認できれば
駅.Locky用の時刻表作成を自動化するぞ 1 - Qiita
はじめに Pythonをそこそこ使えるようになりたい ただただ勉強するのも面白くないので、課題探し ちょうどその頃に近隣（京阪電車）のダイヤ改正 駅.Lockyの時刻表が古くなり、手作業で時刻表データ作成 時刻表サイト ⇒ Pythonアプリ ⇒ 時刻表データ が出来たら一石二鳥！ 調べてみた 駅.Lockyの時刻表データは、NextTrain形式の時刻表記述フォーマット えきから時刻表→NextTrainデータ(tbl形式)変換サイトでTBLファイルを作ってみた ファイルがどういうものか理解できた（ファイル名の形式等も） A:中之島行 B:淀屋橋行 a:区間急行() b:準急() c:急行() d:特急() e:ライナー f:通勤準急() g:通勤快急() h:快速急行() i:快速特急()洛楽 [MON][TUE][WED][THU][FRI] 京橋駅 京阪京阪本線 淀屋橋方面(下り)
サポートベクターマシーンのパラメータをいろいろといじってみる(画像データの分類問題) - Qiita
初めに 機械学習の教科書では(紙面の都合上やらなさそうな)様々なパラメータを変えた際にどのように変化するのかについて、SVCを用いてやってみました。 ちなみに使用したのは0~9までの数字が書かれたDigitsの画像データ。 Digitsのデータについてこちらで可視化等は行ってみています。 LinearSVC まずはsvm.LinearSVCで正則化定数Cのチューニングを行ってみたいと思います。カーネル法を試す前に線形のSVMから始めた方が良いらしいです。結果はロジスティクス回帰分析とだいたい同じような感じになります。 svm.LinearSVCはLinearに特化したアルゴリズムのため、svm.SVCよりも高速で動くとのこと(未検証) 交差検証は10分割で行い、正答率の平均値を今回はscoreとして、プロットしてみました。(本来はテストデータを訓練データを分けてから交差検証した方が、よいで
dockerで機械学習(22) with anaconda(22)「Deep Learning for Computer Vision」 By Rajalingappaa Shanmugamani - Qiita
以下のshell sessionでは (base) root@f19e2f06eabb:/#は入力促進記号(comman prompt)です。実際には数字の部分が違うかもしれません。この行の#の右側を入力してください。 それ以外の行は出力です。出力にエラー、違いがあれば、コメント欄などでご連絡くださると幸いです。 それぞれの章のフォルダに移動します。 dockerの中と、dockerを起動したOSのシェルとが表示が似ている場合には、どちらで捜査しているか間違えることがあります。dockerの入力促進記号(comman prompt)に気をつけてください。 ファイル共有または複写 dockerとdockerを起動したOSでは、ファイル共有をするか、ファイル複写するかして、生成したファイルをブラウザ等表示させてください。参考文献欄にやり方のURLを記載しています。 複写の場合は、dockerを
DeepMindのLibraryの graph_nets を使ってとにかく「５」と出力するGraphNetを作る
はじめに GraphNets というライブラリが DeepMind からリリースされています。 このライブラリは この論文 の実装として公開されたもので、 端的に言うと 「ノード、エッジ、Globalに任意の属性(≒任意のtensor)を持ったグラフを入力にし、 構造は同じだが属性が更新されたグラフ を出力する」 というネットワークブロックを提供するものです。 何が面白そうかというと、グラフという知識表現として非常に表現力の高いデータ構造を扱うことができるということです。 以前から、グラフ畳み込みニューラルネットワークというものが(やや)注目されていましたが、それの汎用的なデータフォーマットを定めて、扱いやすくしてくれたような位置づけだと思います。 とはいうものの、現状ほとんどドキュメントも無く、デモのソースコードを見ても中々使い方がわかりません。 試行錯誤の末、なんとか GraphNet
dockerで機械学習 with anaconda(8)「実践機械学習システム」Willi Richest, Luis Pedro Coelho 著
(base) root@9f32435de7a9:/BuildingMachineLearningSystemsWithPython/ch01# python analyze_webstats.py Traceback (most recent call last): File "analyze_webstats.py", line 10, in <module> import matplotlib.pyplot as plt File "/opt/conda/lib/python2.7/site-packages/matplotlib/pyplot.py", line 115, in <module> _backend_mod, new_figure_manager, draw_if_interactive, _show = pylab_setup() File "/opt/conda/
dockerで機械学習(18) with anaconda(18)「Deep Learning with Keras」 Antonio Gulli, Sujit Pal著 - Qiita
以下のshell sessionでは (base) root@f19e2f06eabb:/#は入力促進記号(comman prompt)です。実際には数字の部分が違うかもしれません。この行の#の右側を入力してください。 それ以外の行は出力です。出力にエラー、違いがあれば、コメント欄などでご連絡くださると幸いです。 それぞれの章のフォルダに移動します。 dockerの中と、dockerを起動したOSのシェルとが表示が似ている場合には、どちらで捜査しているか間違えることがあります。dockerの入力促進記号(comman prompt)に気をつけてください。 ファイル共有または複写 dockerとdockerを起動したOSでは、ファイル共有をするか、ファイル複写するかして、生成したファイルをブラウザ等表示させてください。参考文献欄にやり方のURLを記載しています。 複写の場合は、dockerを
TensorFlowを使って猫の種類の判別機を作る - Qiita
TensorFlowを使って猫の種類の判別機を作る TensorFlowを使って猫の種類の判別機を作ります。TensorFlowをインストールしている前提で話します。 pythonのバージョンはpython3です。 まずは、TensorFlowのフォルダをGithubから落としてきてください 画像を集める google_images_downloadをインストール pip install google_images_download 画像をダウンロードする googleimagesdownload -k 猫の種類で画像を集めに行きます。 アメショーかわいいですね。 学習 集めた猫の画像を学習させます。 その際、学習データのフォルダを英語に変更しておいてください。 そして、そのフォルダをgakusyu_data（作ってください）という名前のフォルダに入れて、落としたTensorFlowのフォ
Tensorflow Lite (TensorflowLite) / Tensorflow+RaspberryPi+Python で超軽量 "Semantic Segmentation" モデル "UNet" "ENet" を実装する_軽量モデル_その２ - Qiita
Tensorflow Lite (TensorflowLite) / Tensorflow+RaspberryPi+Python で超軽量 "Semantic Segmentation" モデル "UNet" "ENet" を実装する_軽量モデル_その２PythonRaspberryPiDeepLearningTensorFlowSemanticSegmentation TensorflowLite-UNet Tensorflow-bin TensorflowLite-bin I wrote in English article, here (TensorflowLite-UNet) 【!注意!】 この記事を先頭から末尾までクソ真面目にトレースすると、「ただひたすら待つ」 という苦行に耐えるために カップラーメン６００個 を手配する必要がある。 精神 と 財力 に余裕がある方、あるいは 悟
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
【はやわかり＋保存版】Google Colaboratoryチートシート - Qiita
ハロプロでGAN - Qiita
ssd_kerasを試してみる - Qiita
SQLAlchemy から Pandas にデータを読み込む - Qiita
PythonのPandasライブラリを使ってNBAの試合データを操作し、最後に可視化するチュートリアル - Qiita
Pandasで読み込んだ時系列データの前処理性能比較 - Qiita
matplotlib.pyplotのimport時にSegmentation fault - Qiita
