サクサク読めて、アプリ限定の機能も多数!
トップへ戻る
買ってよかったもの
blog.brains-tech.co.jp
こんにちは、ブレインズテクノロジーの岩城です。 2018年11月末に開催されたAWS re:Invent2018で、AWS Greengrass IoTをDockerコンテナ上で起動できるようになったことが発表されました。これにより、GreengrassをWindows上で活用する際のハードルが下がり、データ活用を検討する際の選択肢がこれまで以上に広がっています。 今回の記事ではエッジコンピューティングに関する最近のトピックとして、GreengrassをWindowsと連携することで可能になった新しいデータ活用のイメージを紹介します。 より技術的なことに焦点を当てた記事も後日公開予定なので、実際にGreengrassをWIndows上で動かすことに興味がある方はこちらもご参照ください。 [2019年2月4日追記] GreengrassをDocker for Windowsで使用するまでの準
Neuron開発チームの木村です。 Neuronは、ほとんどの場合Windowsにインストールされるため、テスト環境をWindows上に構築しています。 このテスト環境構築を効率化するため、docker上でのWindows利用を模索しています。 前回に引き続き、 Windows上のdockerでイメージをビルドする際・コンテナを動かす際に慣れないことを紹介します。 前回検討した導入方法から、dockerは「Hyper-Vコンテナ + LCOW」の形態で利用しています。 (そのため、Docker for Windowsを利用する場合とは異なる状況であることに注意ください。) Windowsのバージョンは、 Windows 10 Pro バージョン 1803 (Version 10.0.17134.165)、 dockerのバージョンは、 Client: Version: master-doc
Neuron開発チームの木村です。 Neuronは、ほとんどの場合Windowsにインストールされるため、テスト環境をWindows上に構築しています。 このテスト環境構築を効率化するため、Docker上でのWindows利用を模索し始めています。 今回は「Docker for Macを使っていた私が、WindowsでDockerを使う際に慣れないこと」を紹介します。 なお、利用しているWindowsのバージョンは 「Windows 10 Pro バージョン 1803 (Version 10.0.17134.48)」です。 以下、OSがWindowsであるコンテナを「Windows OSコンテナ」、OSがLinuxであるコンテナを「Linux OSコンテナ」と呼びます。 目次 どのDockerを使うべきか分からない Docker Toolbox Docker for Windows Hyp
tslearnとは 時系列分析のための機械学習ツールを提供するPythonパッケージで、scikit-learnをベースとして作られているみたいです。 主な機能として、クラスタリング、教師ありの分類、複数の時系列を重ねた際の重心の計算ができたりします。 今回使用するに至った一番のモチベーションは、波形や振動などの時系列データに対してクラスタリングできるというところです。 tslearnインストール pipコマンドでインストールできます。 Kshapeというクラスタリング手法 今回tslearnで使用するモジュールとして、Kshapeというクラスタリング手法を時系列データに適用していきたいと思います。 Kshapeは2015年に下記の論文で提唱された方法で、以下の流れで実行されるアルゴリズムになります。 相互相関測定に基づいた距離尺度を使う(Shape-based distance: SBD
こんにちは。エンジニアの中西です。 今回は docker-compose の yml ファイルにて、環境変数が展開されずにハマった事について書きたいと思います。 docker-compose は Impulse でも使っています。複数のコンテナから構成される Impulse を yml ファイルで管理できて便利です。 yml ファイルに環境変数を定義しておき、実行環境毎に変数値を設定する事も可能なのですが、環境によっては設定した値が展開されず。。という事象に遭遇しました。 実行環境 OS : Ubuntu 16.04 docker : v17.09.0-ce docker-compose : v1.17.0 docker-compose.yml : v3.3 準備 それでは、イメージのバージョンを環境変数で設定できるようにymlファイルを記述してみます。 version: '3.3' se
データ分析担当の青木です。 Amazon SageMakerでDeepARというアルゴリズムがリリースされました。今回の記事では下記のページを参考に、Amazon SageMakerのDeepARアルゴリズムを使ってみた内容を書きたいと思います。 aws.amazon.com Amazon SageMaker Amazon SageMakerは、機械学習におけるモデルの構築やデプロイ等の処理を容易に行えるようにしたフルマネージドな機械学習サービスです。SageMakerを使うことで、開発者やデータサイエンティスト等の分析者は、機械学習における一連の処理を手軽に素早くできるようになります。 DeepAR DeepARはRecurrent Neural Networkをベースにした時系列予測の教師ありアルゴリズムで、ARIMAや指数平滑化法などの従来の予測手法に比べて高い精度が期待できる手法で
インターン生の松井(B4)です.時系列データの異常検知手法をまとめました. 入門 機械学習による異常検知という本の7章が時系列データの異常検知を扱っています.(本書の内容をまとめたWeb記事もあります.) www.coronasha.co.jp この本のサンプルコードはすべてRで書かれているため,Python (+numpy, scikit-learn) で書き直してみました. 後半では,深層学習を用いた時系列データの異常検知手法について,知られている所をまとめました. k近傍法による異常部位検出 特異スペクトル変換法による変化点検知 深層学習を用いた異常検知手法 LSTM (Long short-term memory) を用いた手法 Autoencoder (自己符号化器) を用いた手法 結び k近傍法による異常部位検出 時系列データの異常検知手法の中でも比較的シンプルなやり方です.
本記事はSORACOMサービスリリース1周年記念ブログの11月2日分です。 皆さん、こんにちは。ブレインズテクノロジーの林です。 今日はSORACOMリリース1周年のブログに寄稿させていただくことになり、以前から気になっていたSORACOM Funnelに関する記事を書かせていただきます。 KYOSOの辻様の記事(RaspberryPi +SORACOM FunnelでIoTデータを閉域網でS3やDynamoDBに格納する)ですでに詳しく説明いただたいておりますので、重複する部分は割愛して、SORACOM Funnelを利用するメリット、データを活用する部分にフォーカスして寄稿いたします。 SORACOM Funnel を利用するメリット SORACOM Funnelを利用しない場合の、IoTデータの収集〜可視化するまでの流れは、以下の通りです。各デバイスからエージェントを介して、AWS
こんにちは。ブレインズテクノロジー樋口です。 機械学習アルゴリズムを一から実装するシリーズ2回目。今回のお題はロジスティック回帰(Logistic Regression)の実装。 前回と同様あまり難しい説明はなしに実装していくつもりですが、もっと詳しいこと教えんかい( ゚д゚ )クワッ!!となったら以下のような専門書をどうぞ。 machinelearningmastery.com ロジスティック回帰とは ロジスティック回帰(Logistic Regression)は分類問題を解決するための手法で教師あり学習に分類されます。 元々は統計の分野で発展してきたもので、応用先としては ・e-mailのスパム判定 ・病理標本の悪性判定 ・トランザクションの正常性判定 などに使われているようです。 # 名前には回帰(Regression)とついてるんですけど分類なんですね。。。 ロジスティック回帰[理
はじめまして。Impulse開発チームの木村です。 今回は、Amazon DynamoDBを、 Apache Cassandraと同じように扱おうとした際に、ハマった点とその解決策を紹介します。 なお、DynamoDBの操作には、AWS SDK for JavaScript (Node.js)を使用しています。 テーブル定義編 テーブルをまとめる機能がない 複合primary keyに使える属性は、最大で2つ 日付・時刻型がない NS/SS/BS型は、配列ではない AttributeDefinitionsにkey属性以外を入れてはならない データ取得編 Range属性のみのkey条件指定はできない SQL(ライクな)文が使えない Expressionに、数値や文字列を直接書けない Range属性に対して2つの条件を指定できない Expressionには、含めてはならない予約語がある 一度に
機械学習アルゴリズム実装 線形回帰編 こんにちわ。 ブレインズテクノロジー最年少樋口です。 、、、と言っても、もうすぐ27なのですが...orz 今回から何回かに分け、「機械学習アルゴリズム実装シリーズ」と題して機械学習アルゴリズムをPythonで実装をしていきます。もちろん、scikit-learnなどの機械学習ライブラリを使うのではなく重要な部分は全て自分で実装するという試みです。なるべく難しい数式などの説明は最小限にして、機械学習アルゴリズムを少しずつ解説・実装していきたいと思いますので、「これから機械学習いじってみたいけど、何したらいいか分からない。。。」って人の助けになれたら嬉しいです!(と言いつつ自分の備忘録代わりにしているのは秘密ですw) 因みにここで書いている事はCourseraという有名なオンライン学習サイトのMachine Learning by Stanford Un
このページを最初にブックマークしてみませんか?
『blog.brains-tech.co.jp』の新着エントリーを見る
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