Bot Builder v4 でボット開発 : 単純なダイアログとステート管理 - Qiita
本記事では Bot Builder v4 のダイアログとステート管理について見ていきます。ダイアログについては、まずは単純なものを見ていき、今後の記事でより複雑なダイアログを見ていきます。 ダイアログ ダイアログは Bot Builder でユーザーとボットの会話を管理する際に中心となる概念です。ダイアログはユーザーからの入力を処理して、次の出力を生成し、その過程を管理します。 例えばユーザープロファイルを作る場面で、ボットは名前、誕生日、仕事など複数の質問を行い、対応するユーザーの回答を記憶、最後にデータベースなどに情報を格納するという動作を行います。この際、以下のような内容を管理する必要があります。 ユーザーの入力が、どの質問に対応するものかを理解 ユーザー入力の検証と記憶 次の質問を正しく選択して、ユーザーへ送信 最後の質問に対する回答を得た場合、データベースの保存 Bot Buil
Pythonでスピーカの周波数特性を分析 - Qiita
なぜスピーカの周波数分析を行うのか ダンスミュージックを聴くときは低音重視、クラシックを聴くときは高音重視、音楽制作に使うときはフラットなど、スピーカは用途によって求められる周波数の特性が変わってきます。欲しい音がきちんと出るスピーカを設計したり、選んだりする際にスピーカの周波数分析を行い、定量的に評価することが重要になります。 分析の流れ PythonでTSP信号（測定信号）を作る →スピーカに入力して出力をマイクで録音 →Pythonで分析、グラフ作成 使用機材 被測定スピーカ：Genelec 8050A マイク：NTI M2230 オーディオインターフェイス：RME MADIface XT 測定環境：無響室 TSP信号とは システムの周波数特性は、理想的にはインパルスをシステムに入力し、その出力であるインパルス応答をフーリエ変換することで得られます。 しかしインパルスを放出するスピー
昔作ったCNNの簡単な(2層)モデルが出てきたので、貼っておく - Qiita
from keras.models import Sequential from keras.layers import Activation, Dense, Dropout from keras.utils.np_utils import to_categorical from keras.optimizers import Adagrad from keras.optimizers import Adam import numpy as np from PIL import Image import os # 学習用のデータを作る. image_list = [] label_list = [] for dir in os.listdir("data/dog/ForFinalTrain/"): dir1 = "data/dog/ForFinalTrain/" + dir label =
【dqn】dqnで遊んでみた♬ - Qiita
時代はDQNということで、久しぶりに遊んでみた。というか、ここからひと月毎日DQNで遊んでみようと思う。 その心機一転、Exampleから一つずつ遊び倒す。 まずは、インストールだが、以前の環境で動かそうとしたら、怒られた。 >python ddpg_pendulum.py Using TensorFlow backend. Traceback (most recent call last): File "ddpg_pendulum.py", line 8, in <module> from rl.agents import DDPGAgent ImportError: No module named 'rl' >pip install keras-rl Collecting keras-rl Requirement already satisfied: keras>=2.0.7 in c
BatchNormalizationはどこに入れればいいのか?(CNN編①） - Qiita
BatchNormalization（以下BN）を入れると 過学習が起きにくくなるという事は経験的にわかっていましたが どこに入れればいいのか不明なので、簡単なCNNのモデルを作成し確認してみました BNの細かい説明はお魚の本P.186～を参照 データセットによって動きが変わることは十分考えられますので、参考程度にお願いします ただ、思ったよりも動きが変わって面白かったです ※△１ 2018.10.7追記 上記の予想通り、データセットをcifer10に変更したところ BNを入れた方がlossが大きくなる結果となりました 検証はこちらに掲載します 簡単にまとめると データ数が十分に多く、モデルのパラメータが少ない 過学習が起きづらいモデルに対してBNを導入すると lossが大きくなるようです 確認環境 python3.6.6 Tensorflow:1.10.0 Keras：2.2.2 学習デ
MacOS Mojave & Python3.7 でTensorflow環境構築しようとして詰まった話 - Qiita
前提 MacOS 10.14 Mojave python 3.7.0 基本的には「Python3 TensorFlow for Mac 環境構築」の記事（python 3.6.0）のやり方を参考にpython3.7で構築しようとしてつまずいて調べたことをまとめておきます。 先に結論 記事を書いておいてアレなんですが、現時点（2018/10/13）で**python 3.7に正式に対応できているTensorflowのpipパッケージはまだ追いついてないようです。。**一応強引な回避策もあるにはあるようなのでそちらも書いておきます。 MacOS 10.14 Mojave MacOS 10.13 High Sierra をお使いの方は「1. pyenv install でエラー」の項のみ参考にしてください。 普通に構築されたい方は素直にpythonを3.6にダウングレードして、対応するpipのt
LTSVをpandasに読み込む - Qiita
LTSVは主にログファイルの形式として最近好まれているテキストフォーマットです。 http://ltsv.org/ 一行一レコード、各セルをタブで区切っているところはTSVと同じなのですが、ヘッダ行に列タイトルを付ける代わりに各セルに直接ラベルをつけた形になっています。 host:example.com url:/api/users status:200 time:2018-01-01T00:00:00+09:00 host:example.com url:/api/users status:200 time:2018-01-01T00:00:01+09:00 このような見た目。 人の目にも読みやすく機械的にもパースしやすいのが利点です。 パースしやすさのためにあえて仕様にエスケープを含めていないほど。 さてこのLTSV形式、pandasに読み込み用メソッドが用意されていません。 pand
ズレた時系列データのヒートマップを上下に並べる。seabornで。 - Qiita
目的 x軸方向（時間方向）にずれたデータを1つのヒートマップ上に並べて表示したい． そのために，データの整形を行う． 状況 複数のセンサからデータをサンプリング サンプリング周期は同じ 取得タイミングがずれている データ数が異なる Ex.) 分散システムになっていて，それぞれのデータが中央に送られてくる． ので，一筋縄ではいきません． データ整形からプロットまで データの読み込み（作成） pd.read_csv() とかで読むけど，今回はダミーデータを使用します． # 時間のズレを作る time_A = np.arange(5, step=0.01) time_B = np.arange(5.1, step=0.01) # 適当にばらつかせる time_A += list(map(int, np.random.normal(scale=0.01, size=len(time_A)))) t
KerasのConv2Dの行列式演算 - Qiita
KerasでいうところのConv2Dがどのような演算をやっているかどういう風に理解してますか。 よくモデルの図解では直方体のデータ変形の例で示されますよね。 じゃあこれがどんな演算かっていうと初心者向け解説だと、畳み込みや特徴量抽出の説明をしてそれで終わってしまうことがままあります。 そうすると自分は、いや、畳み込みわかるけどConv2Dのパラメータ数とかどうなってるのか分らないよ、と思うわけです。 ということでConv2Dの自分なりの行列計算の理解をまとめたいと思います。もしかしたら詳しい参考書とかには書かれてるのかもしれませんが自分の読んだ本には行列計算は載っていませんでしたので……。 畳み込みや行列自体については解説しませんので畳み込みの原理は理解されたうえでお読みください。 もしも書いてる内容が間違っている場合は指摘していただけると幸いです。 inputs = Input(shap
windows10にPython3.6とtensorflowをインストールする方法 - Qiita
Python3.6のインストール ※ 2018/10現在、tensorflowを動かすにはPython3.7ではダメらしい。 下記URLよりPython本体をダウンロードする。 https://www.python.org/downloads/windows/ ・ Python 3.6.7rc1 - 2018-09-26 「Windows x86-64 executable installer」あたりが妥当。 ダウンロードしたインストーラに従い、Pythonをインストールする。 Pythonのインストール確認 $> C:\WINDOWS\system32>python --version $> Python 3.6.7rc1 ※ うまくいかない場合、環境変数のパスが通っていないと考えられるため システム環境変数のPathにインストールしたPyrthonフォルダ 例：[「C:~~\Pytho
Alexa開発メモ（音声による応答での適切な表現と情報量について） - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 要旨 先日、はじめてAlexaのスキルを作成して公開しました。 音声応答の内容検討でちょっと困った点＆解決した内容あったので共有します。 アプリの概要 観光イベントの問い合わせアプリ 入力の発話：検索条件（イベントのジャンル など） 例）(スキル名)で"アート"のイベントを教えて 音声＋文字（Alexaアプリのカード通知）で応答 イベントが複数件該当した場合は、MAX5件目までを回答 イベント情報は外部APIからJSON形式で取得。JSONを加工して応答データを作成。 とりあえず作った音声応答 アプリケーション側で作成した応答データのイ
Python3(scikit-learn)を使ってロジスティック回帰 - Qiita
機械学習 機械学習には様々な種類のものがあります．大きく分けると以下のように なります． 教師あり学習 教師なし学習 その他(強化学習など) 今回はロジスティック回帰を使うために簡単に教師あり学習について紹介したいと思います． 教師あり学習(回帰) 教師あり学習ではデータと正解ラベルの2つの情報が渡されます． 大量のデータから「このデータの正解はこのラベルであった」というパターンを見つけ出して，正解ラベルのないデータに対してもそれを予測するものになります． 教師あり学習はさらに正解ラベルの種類によって回帰と分類に分けられます． 回帰は，正解となる値が連続した数値となるものです． よく見られる例として： ビールの売り上げは気温に影響すると言われています. この情報を元に実際の売り上げと気温のデータを利用して機械学習を行うことで、天気予報から得た翌日の気温から売り上げを予測することが可能になり
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
Bot Builder v4 でボット開発 : より高度なダイアログ - Qiita
Alexa dev days Tokyo Day1 個人的まとめ
オレオレ流Pandas チートシート ※随時更新※ - Qiita
mecabの出力をpythonで整形 - Qiita
「この先生きのこる」を4つの自然言語処理エンジンに食わせてみる - Qiita
matplotlib ３次元プロットは難しくない！
勾配降下法の勾配とは何か、可視化してみる - Qiita
pandasとデータでみるアイドルのファンはどれくらい他のメンバーのファンか。 - Qiita
