Register as a new user and use Qiita more conveniently You get articles that match your needsYou can efficiently read back useful informationWhat you can do with signing up
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
はじめに テキストだけでダメ出しされると凹みます。絵文字があれば大分雰囲気は変わります。Slackならもっと何かできるんじゃない?と思っていると「安西先生ジェネレータやりたいっす」 の後輩の一言。それ、いいね! 以下、ブラックジャックによろしく(タイトル:ブラックジャックによろしく、著作者名:佐藤秀峰)のデータを利用して解説していきます(二次利用フリー、ありがとうございます)。 やりたいこと SlackからHubotに対してセリフをカタカタすると、事前に用意しておいた画像のフキダシへ文字を入れてアップロードしてくれる。利用する画像も指定できるように。 実際にできたものはこんな感じです。 どうやったか 前提として、Slackと連携できているHubotがすでにあるものとします。 準備 画像の加工(フキダシへの文字入れ)にはCanvasを利用しました。Hubotの動作環境としてUbuntu14.
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
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)
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
input_shape=(300, 300, 3) model = SSD300(input_shape, num_classes=NUM_CLASSES) model.load_weights('weights_SSD300.hdf5', by_name=True) bbox_util = BBoxUtility(NUM_CLASSES) --------------------------------------------------------------------------- TypeError Traceback (most recent call last) <ipython-input-3-dd64fe36fa33> in <module> 1 input_shape=(300, 300, 3) ----> 2 model = SSD300(input_shape, n
dockerで機械学習(22) with anaconda(22)「Deep Learning for Computer Vision」 By Rajalingappaa ShanmugamaniDeepLearningDockerAnacondaTensorFlow 1.すぐに利用したい方へ(as soon as) Deep Learning for Computer Vision By Rajalingappaa Shanmugamani http://shop.oreilly.com/product/9781788295628.do 現在4章まで実行中。課題はまだ残っています。順次作業中。 docker dockerを導入し、Windows, Macではdockerを起動しておいてください。 Windowsでは、BiosでIntel Virtualizationをenableにしない
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(8) with anaconda(8)「実践機械学習システム」Willi Richest, Luis Pedro Coelho 著Python機械学習matplotlibDockerAnaconda 1.すぐにプログラムを動かしたい方へ(as soon as you want) 実践機械学習システム Willi Richest, Luis Pedro Coelho 著 <この項は書きかけです。順次追記します。> docker dockerは複数人で同じ設定で作業、実験、実習ができるとても便利な道具です。 それまで利用していた環境とは全く別に作ります。 それまでどのような設定をしていても、dockerが起動し、ネットがつながれば大丈夫です。ここでは、本で紹介しているdockerの資料に直接基づかず、すぐに利用できる環境を提供し、またご自身で新たに導入したソフトを含めて
dockerで機械学習(18) with anaconda(18)「Deep Learning with Keras」 Antonio Gulli, Sujit Pal著PythonDockerKeras小川メソッドDoCAP 1.すぐに利用したい方へ(as soon as) ごめんなさい。 現在、作業中です。下の方に示すエラーがでていて、悪戦苦闘中です。 「Deep Learning with Keras」 Antonio Gulli, Sujit Pal著 http://shop.oreilly.com/product/0636920163886.do docker dockerを導入し、Windows, Macではdockerを起動しておいてください。 Windowsでは、BiosでIntel Virtualizationをenableにしないとdockerが起動しない場合があります
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のフォルダのtensorflow/tensorflow/e
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
Pandas で SQL からデータを読み込むにはどうすれば良いだろうか? pandas.read_sql_query を読むと、どうやら SQL 文をそのまま書く方法と、SQLAlchemy という OR マッパを使う方法と二つがあったので、両方試してみた。例えばこんな感じのテーブルがある時: CREATE TABLE EventData ( deviceID varchar(64), timestamp int(10) unsigned, latitude double, longitude double, primary key (deviceID, timestamp) ); import pandas as pd from sqlalchemy import create_engine, MetaData, Table, Column, String, Float, Intege
Introduction to Pandas Using Play-By-Play チュートリアルの説明文は、超意訳です python 3.6.5 です。チュートリアルは 2.7.10 なので 、チュートリアルを一部 python 3.x系で動くよう変えています Abstract Pandasの基本的なコマンドを実行し、NBAのサンプルデータを分析します。 サンプルデータはPandasで読み込めるカンマ区切りのCSVファイルです。 1. Python: Data Manipulation このドキュメントでは、Python環境でPandasを使ってデータを分析する方法を検討します。 Pandasのデータフレーム(DataFrame)を使ってCSVファイルを扱い、他のPythonパッケージでさらに処理できるよう、簡単な計算や加工をします。 ここでは、2016年3月12日 オクラホマシティ・サ
# データの作成 def create_data(data_size=10**7): dt = np.random.randint(low=1.5*10**10, high=1.5*10**10+10**8, size=data_size, dtype=np.int64) user = np.random.randint(low=1, high=10**5, size=data_size, dtype=np.int64) data = np.random.randint(low=1, high=10**8, size=data_size, dtype=np.int64) df = pd.DataFrame( {'dt': dt, 'user': user, 'data': data, } ) # 時間のみでソート df.sort_values('dt', inplace=True) df.
アイドル様 僕はアイドル様が好きなのですが、そのアイドル愛が歪んで、某個人配信プラットフォームでアイドル様の配信の分析をしています。個人的に、秋元康氏プロデュースのアイドル様に興味があります。究極の目標はアイドル様の人気の数値化と、某総選挙順位や選抜の予測です。ただし、某個人配信プラットフォームを全く利用しないランカーさんも存在するため、そのあたりは知りません。 STU48とは STU48(エスティーユー フォーティーエイト)は、秋元康のプロデュースにより、2017年に誕生した瀬戸内7県を拠点とする日本の女性アイドルグループ。AKB48グループを構成するグループのひとつである。出典:wikipedia 公式サイト メンバー一覧はプロフィールで見れます。かわいい。 一般人の認知度はものすごく低く、劇場となるはずの船の予定も未定、2ndシングルの発売も延期となりましたが2019年2月に決定と、
こんなの つくりました Siriショートカット 帰宅時間読み上げ https://t.co/j6KzfcSmKI @YouTubeさんから — Ryota Ikeuchi (@IkeuchiRyota) October 18, 2018 Siriに「帰宅時間読み上げ」と言うと、自宅までの所要時間を計算して、「○分後の ○時○分に帰宅」と読み上げてくれます。 最後の「わかりました」がなんともいえませんね… ポイントは、スマホ画面を見る必要がないことです。 Siriの起動は、イヤホンのボタンを押せばよいので、スマホを触る必要もありません。 つくったものは こちらに公開しています: https://www.icloud.com/shortcuts/dd3a672e07f14431b458a560bd1b6c37 詳細はページ下部に記載。 新しいiOSの機能で追加された、「Siriショートカット」
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