楽天株式会社で新規事業のエンジニアリングマネージャーをやっている @TAKAKING22 です。 最近「エンジニアリングマネージャー」が流行っていますね。弊社にはそんなかっこいい役職名はないんですが、いわゆる開発部のマネージャーをやっているのでエンジニアリングマネージャーがわかりやすいと思って最近使っています。 意識低いエンジニアリングマネージャーを目指して意識低いエンジニアリングマネージャーを目指してやったことについて書いてみます。 なぜ「意識低い」なのかというと、そもそもマネージャーにはなりたくなかったのでできる限り要領よくマネジメント業務を効率化してその分プレイヤーとして仕事をしようと考えたからです。なんと意識が低いのでしょう。 でも「俺がマネージャーだ!(ドンッ)」みたいにマネージャーになっただけで偉そうに振る舞ううざいマネージャーになるよりは意識が低いマネージャーの方がマシだと思
はじめに このブログは、モブプログラミング Advent Calendar 2018の3日目の記事です。 qiita.com 前日のエントリーは @mohiraさんの、「モブプロで技術書を攻略する!」でした。今日の話はベーシックに、自分の周りのモブプロ事情の話をします。 モブをやるときに悩んだこと モブプロに可能性を感じて、導入するときにうまくいかなかった理、悩んだことがここまで多々あります。それは、既にTAKAKING22さんが初日のエントリーで言及していたこれにハマっていました。 大きな誤解の一つとして、多くの方が分担作業とモブワークを二者択一のように考えがちです。私達も1日中モブワークをしていますが、正確には仕事の質や状況に合わせて分担作業とモブワークを切り替えながら仕事をしています。 というわけで、ウチのチームでよくモブになってる状況、仕事をまとめてみます。 ウチでよくモブってると
こんにちは。ウェブアプリケーションエンジニアのid:syou6162です。 はてな社内では機械学習や自然言語処理、情報検索/推薦に関する論文読み会を定期的に行なっています。 社内で国際会議論文読み会を開催しました - Hatena Developer Blog 社内でNLP2017 & DEIM2017読み会を開催しました - Hatena Developer Blog 社内で国際会議論文読み会を開催しました - Hatena Developer Blog これまでははてな社内に閉じて読み会を行なっていましたが、機械学習や情報検索/推薦の話題は社外の人とも広くディスカッションするのも有益であるので、今回はLINEさんとリブセンスさんのエンジニアの方々を招待して開催しました。このエントリでは、読み会で紹介された論文を簡単にレポートしていきたいと思います。 IRGAN: A Minimax G
GitHubリポジトリで8000スター獲得、人気OSS「Boostnote」オープンソース化の軌跡 GitHubリポジトリで8000スターを獲得しているプログラマ向けノートアプリのBoostnote。グローバルな開発コミュニティを築き上げた経緯についてインタビューしました。 Boostnoteというアプリをご存知でしょうか? こちらはElectronで作成されたデベロッパー向けのノートアプリ。実は海外ではとあることでとても有名なアプリなのです。 なんと企業が事業として開発しているアプリにもかかわらず、コードをすべてオープンソースとしてGitHub上に公開しているのです。海外を中心に注目度は高く、世界中のコントリビューターがBoostnoteに携わっています。現在、GitHubのスター数が8000を超える人気のOSSとなっています。 Boostnoteはどのようにグローバル展開とし、どのよう
はじめに Django Advent Calendar 2018 の 2日目の記事です。 qiita.com RESTの次のパラダイムとして注目されているGraphQL。 本記事はDjangoでGraphQLを実装する方法を紹介します。 はじめに GraphQLの動向 Python / Django界隈におけるGraphQLの動向 Graphene GraphQL APIを作成する モデル ルーティング GraphQLスキーマ Query 全件取得 1件取得 複雑な取得 所感 おわりに GraphQLの動向 GraphQLはFacebookによって開発されたOSSで、Web APIのクエリ言語です。 graphql.org GitHubのAPIに採用されたり、AWSのフルマネージドGraphQLサービス AppSyncが発表されたりなど徐々に盛り上がりを見せているように思います。 参考:2
カテゴリカル変数のEncoding 最近はFeature Engineeringについて興味があり調べてます。今回はEncoding手法についてまとめた事をメモをしておきます。 主に Feature Engineering (Slide Share) の内容を情弱な自分のためにまとめたものです。ツッコミどころあれば教えていただきたです。 次元を増やさない Label encoding 全てのカテゴリに数値によるIDを割り当てる Feature ⇒ ID apple 1 orange 2 grape 3 orange 2 Count Encoding Train Data中のカテゴリの出現回数を特徴量とする Train Dataで未出現のデータは1とする Feature ⇒ Count apple 1 orange 2 grape 1 orange 2 LabelCount Encoding
データ分析を支援する"pandas"だが,先日(2016/10/2) ver.0.19.0(stable) がリリースされた.いくつかの新機能の中に,Categorical データを走査(パース)するread_csv()のオプションがあるとのこと.Categorical データといえば,R言語のfactor型が頭に浮かぶが,これまで私自身,pandasのCategorical関係の機能を使うことはなかった.気になったので,ver. 0.19.0 を機に,少し調べてみた. (動作環境は,pandas 0.19.0 (比較のため,一部 0.18.1使用),numpy 1.11.1, pythonは,3.5.2 になります.) Pandasの 'Categorical' サポート状況とR言語との比較 R言語では,factor型(因子型)という変数型がサポートされている.これは汎用のプログラミング
ついノリで気づいたらアドベントカレンダーに登録していて割と後悔しています。 最近WordPressの記事をReactで表示することをやったので(Headless CMSというらしいです。) そのときに苦しんだことを一通り書いておこうかなと思います。 多分いうほど闇ではないし、ReactよりもWordPressの話メインです。(フロント側はReactでなくてもできる) ちなみに弊社の闇の魔術の対抗術の先生は今年も不在です。 みなさまもクルーシオ(苦しめ)! ちなみにReactメインの闇じゃない記事はこちら お前らのReactは遅い Headless CMSとはAPI経由でCMSのデータを取得して フロントエンドの描画を別のシステムで行う仕組みを指します。 今回はCMSはWPなので記事の編集はWP側で行い、 WP REST API経由で記事データを取得して 別サーバにてフロントエンドの描画を行
はじめに 先日、PythonとDjangoで開発した自社用の営業支援システム(SFA : Sales Force Automation)をオープンソースとして公開しました。 Djangoで開発するのは初めてでしたが、どうにか5か月で社内リリースすることができました。 この記事では要件定義からソースの公開までの過程を書いていきます。 ※タイトルの「Django初心者」というのは本当ですが、エンジニアとしてはわりとベテランです。初心者向けの内容ではありません。 ソースコード https://github.com/sikkimtemi/FreeSFA デモサイト https://free-sfa-demo.herokuapp.com/ Heroku上で動かす手順 https://qiita.com/sikkim/items/5bb30abc44e5ac7676f6 背景 弊社はアスクルの代理店で
先日CXO Nightを開催しました。過去に立ち上げたUI CrunchとCXO Nightも満員御礼で盛況だったので、そのイベント運営で学んだことをまとめました。 イベントもサービスと同じで、良いユーザー体験は何かを考えながら、ユーザーは誰で何を提供すると課題解決できるかをイメージして実行していきます。 テーマ、企画の考え方 ・ユーザーの課題解決になるテーマであるか。 ・ググっても解決しにくい情報を提供できるか。 ・それらは具体的な事例や体験談で伝えられるか。 ・特定の人 / 企業の利益が前面にでてないか。僕の場合は上記考え方で企画して登壇者に相談していきます。 イベントテーマだけで募集するとマッチングミスで来訪者の時間を浪費させてしまう可能性があるので事前にnoteで「僕がCXO Nightを開催する理由」を書く事で課題を感じる人がきてくれるように努めました。 その上で、応募時に「登壇
ここ数年、機械学習を使った研究開発やアプリケーション作成、データ分析がしやすい環境が整ってきました。機械学習フレームワークとしては、scikit-learn や TensorFlow が整備され、各クラウドベンダーからは機械学習用APIや学習/運用用のインフラが提供され、誰でも最先端の機械学習に触れられる時代になりました。 このような環境で自社の競争力を強化するには、機械学習プロセスの最適化による生産性向上が一つの手です。研究開発においては、アルゴリズムの開発をすばやく行わなければ競合に先んじられ、論文を書かれてしまうでしょう。また、アプリケーション作成やデータ分析業務での生産性向上が競争力強化に役立つのは言うまでもありません。 そこで本記事では、機械学習プロセスを自動化する技術であるAutomated Machine Learning(AutoML)の概要について紹介します。具体的には、
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