本コンテンツは機械学習入門講座を各所でやっている内容の一部を、受講者の皆様の予習・復習のために公開しているものです。対象読者は、Pythonをやったことがほとんどない方やつまづいてしまっている方でも概ね実行できるようになるレベルで書いています。解説は講座でそれなりに詳しくしているため、コードにコメントする以上の説明はあまり記述していません。 各コードはJupyterシリーズやiPythonで記述しながら実行できるように記述しています。 AI/DX/機械学習/Pythonのアドバイザリー、社内研修、セミナー等承っております。 webサイトからお問い合わせください。 BeeComb Grid株式会社 機械学習入門シリーズ記事 機械学習入門 vol.1 Pythonの基礎１ 記述とデータ型 -> 講座第3回に相当 機械学習入門 vol.2 Pythonの基礎2 条件分岐と処理 -> 講座第3回に
pandasのDataFrameをfloatからintに変換する方法 - 子供の落書き帳 Renaissance
「pandas float int 変換」で検索する人が結構いるので、まとめておきます。 準備 1列だけをfloatからintに変換する 複数列をfloatからintに変換する すべての列をfloatからintに変換する 文字列とかがある場合は? NaNを含む場合は? int型で欠損値をNaNのままで扱う方法は 何でみんなこれで検索してるのか（read_csvでfloatになってしまった?） 準備 import pandas as pd import numpy as np pd.options.display.notebook_repr_html = False # jupyter notebook上での出力形式を制御するために書いています。無くても動きます。 # 動作環境の確認 print(pd.__version__) print(np.__version__) # --------
概要 ソーシャルネット分析に含まれるLink Predictionについて、その精度がトポロジーに依存するだろうことを実験で確認する。 実施期間: 2022年3月 環境：Ubuntu20.04 LTS パケージ：scikit network, networkx 1. パケージ 使用するモデルにはDirected Graphを指定する。 ソーシャルネットは誰が誰をフォローしているだとか、どのサイトがどのサイトのリンクを張っているかだとか、どの論文がどの論文をciteしたか、方向があることが普通。 しかし馴染みのnetworkxや、いろんなアルゴリズムを実装したnetworkitはDirected Graphに対応していないAPIが多すぎて使えないので、ここではscikit networkで評価する。 importするパケージは下記となる。 import numpy as np import
おっちゃんでもできたPaperspaceで快適Stable Diffusion Web UI環境｜さんがつ亭しょこら
注記起動用のスクリプトは定期的に更新しております。 2023/11/23に生成ができなくなる一部バグがあると言うことで修正しております。 AIイラストくんについて2023年5月、Twitterで瞬間最大風速を記録した話題の一つが LINEでAIイラストを生成できる「AIイラストくん」でしたね。 6月13日現在招待制のため招待コードを求める人がたくさんいるようです。 まぁチャット形式で簡単にAIイラストを結構高画質で作ってくれるので たくさんのイラストを作らせていただきました。なんせAIイラストってガチャなもんでｗ AIイラストをパソコンで作成しようとしたら高性能のゲーミングパソコンを用意する必要がありまして、そんなお金ねぇですよって儂にはありがたいサービスでした。 AIイラストくんのいいところ 日本語（確実性は英文に劣るけど）でプロンプト（描画のための呪文）を書けること プロンプトのことを
Python Interview Questions
Here is a list of common Python interview questions with detailed answers to help you prepare for the interview as a Python developer. Python, with its versatile use cases and straightforward syntax, has seen its popularity growing continuously in software development, data science, artificial intelligence, and many other fields. As such, interviews for Python-related positions are designed not on
大容量データの音声認識(CNN)をCPU上でやった作業ログ【機械学習・ディープラーニング】 - アプリとサービスのすすめ
今回は音声認識のデータセット「ESC-50」をCNNで分類した。 特にこだわったのが、GPUでも普通にやったらOOMエラーが出るくらいの大容量のデータセットを、kerasのfit_generatorメソッドを使ってCPU上でもできるようにしたこと。 あとは音声認識は触れたことなかったので、前処理から学習するまでの作業ログ。 目次 1.音声データセット(ESC-50) 2.音声データの水増し(Augmentation) 3.水増した音声データの保存と読み込み 4.データ前処理とCPU上で学習(CNN) 1.音声データセット(ESC-50) 今回は音声データセット「ESC-50」を使う。 ESC-50の音声は環境音・自然音からなる声を含まない音。 動物の鳴き声、雨の音、人間の咳、時計のアラーム、エンジン音など50クラス。それをCNNで分類してみる。 ファイル形式は拡張子が.wavの音声。サイト
Sagemaker Serverless Inference (まだPreview)で独自のアルゴリズムで学習した骨格検知モデルをリアルタイム推論してみた | DevelopersIO
Sagemaker Serverless Inference (まだPreview)で独自のアルゴリズムで学習した骨格検知モデルをリアルタイム推論してみた せーのでございます。 先日、骨格検知のスタンダードでもあるOpenposeを変更して軽くしたアルゴリズム「Real-time 2D Multi-Person Pose Estimation on CPU: Lightweight OpenPose」をSagemakerコンテナに注入して学習したモデルを使って推論処理をしてみました。 今日はこのアルゴリズムを去年のRe:Invent 2021で発表されたばかりの新機能「Sagemaker Serverless Inference」を使ってサーバレス化してみたいと思います。 Sagemaker Serverless Inferenceとは Sagemaker Serverless Infer
k-means法を使用したクラスタリングによるデータ分析（python）（【高等学校情報科 情報Ⅱ】教員研修用教材） - Qiita
はじめに 非階層型クラスタリングの手法の一つに、k-means法（k平均法）があります。 教材の「第3章 情報とデータサイエンス 後半 学習16.クラスタリングによる分類」の記述がわかりやすいので引用します。 k-means法では，次の手順によってクラスタリングする。 1） あらかじめ分割するクラスタ数を決めておき，ランダムに代表点（セントロイド）を決める。 2） データと各代表点の距離を求め，最も近い代表点のクラスタに分類する。 3） クラスタごとの平均を求め，新しい代表点とする。 4） 代表点の位置が変わっていたら2に戻る。変化がなければ分類終了となる。 1）によりランダムに代表点を決めることによって，結果が大きく異なり，適切なクラスタリングとな らない場合もある。何回か繰り返して分析をしたり，k-means++法を用いたりすることにより改善することができる。 1’）データの中からラン
1. Win10下のpythonによるBLE通信 2. Win10でのBLE通信の課題 3. Bleakの利用 4. BLE通信の流れ 5. BleakによるScan 6. Bleakによる接続 7. まとめ 1. Win10下のpythonによるBLE通信 今回はWindows10の環境下のpythonでBLE(Bluetooth Low Energy)通信する方法について紹介したい。実際には業務上で調べていたことなので具体的なデバイス名は伏せるが、参考にしたサイトの情報に従って通信に成功できた。いろいろなデバイスで試したわけではないので、必ず通信できるとは限らないと思うが、Win10下のBLE通信でつまづいている人の参考になればと思う。 2. Win10でのBLE通信の課題 実際にIoTセンサの類でBLE通信を使ったことがあれば実感が湧くと思うが、IoTセンサのモニタを無線（BLEが多
$ cd myapp $ source bin/activate (myapp) $ pip install pip --upgrade (myapp) $ pip install setuptools --upgrade (myapp) $ pip install numpy (myapp) $ pip install pandas (myapp) $ pip install matplotlib (myapp) $ pip install pillow (myapp) $ pip install IPython (myapp) $ pip install tensorflow (myapp) $ pip install scikit-learn (myapp) $ pip install scipy (myapp) $ pip install jupyter
はじめに Google colaboratoryはGPU環境の無い自宅で機会学習をする際など非常に便利。colab上で学習したモデルは保存してダウンロードすることができるため，別途公開用のサーバーやherokuなどにアップロードすれば学習結果を公開したりも可能。 最終成果として公開する場合はそれ用のサーバーを使うだろうが，共同作業者に学習結果を確認してもらったり，ハッカソンなどで簡単にデモするだけの場合，別途サーバーを立てるのは面倒である。 ngrokを用いると簡単な操作で，ローカルに立てたサーバーに対してurlを発行し，外部からアクセスする事ができる。 colab上でローカルサーバーを立てngrokを動かせれば，モデルのダウンロードなどのやり取り無しですべてcolab上で完結させられる。 colab上でのngrokの使用 colab上でのngrokの使用は下記のリンクの用に，tensor
オープンソースAI【Whisper、GPT3、GoogleTextToSpeech】を用いた音声対話ロボットの作成 - Qiita
import glob import librosa import IPython import MeCab import unidic import pandas as pd import alkana import re import os from IPython.display import Audio %cd /content/voicevox_core # ローカルPCマイクでの録音設定 from IPython.display import Javascript from google.colab import output from base64 import b64decode RECORD = """ const sleep = time => new Promise(resolve => setTimeout(resolve, time)) const b2text
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
機械学習入門 vol.5 グラフ(Seaborn)の基本操作 - Qiita
Social NetworksのEDAとLink Prediction 備忘録 - Qiita
Win10環境下のpythonでBLE通信 - つれづれなる備忘録
Pythonの仮想環境とパッケージ on Ubuntu - Qiita
Colaboratory上で学習したモデルをngrokを使って簡易デモする - Qiita