はてなブックマーク

前置き この記事の参考書籍はこちらです 『Amazon Web Services 基礎からのネットワーク＆サーバー構築』 こちらの書籍の内容は、AWSを使ってWordPress&MySQL(MariaDB)環境のブログサイトをインターネットに公開するという工程で「自分でネットワークやサーバーを構築できるようになること」を目指す内容です。 『基礎からの』というタイトルはその通りで、インフラに関するすごく初歩的な内容の説明がかなーり多く書いてあります（比重としては純粋なAWSのことより記述が多いかも？）例えばTCP/IPについての説明があったり、簡単なHTTPリクエストを跳ね返すプログラムを作ってみるコラムがあったりします。なので『AWSを学ぶ』というより、『AWSを使ってインフラの基礎を学ぶ』ってな感じの内容となっております。めちゃくちゃ重い内容を取り扱っているわけではなないので丸２、３日も

RailsやSinatraなどのRuby製Webフレームワークを利用されている方は、Rackというキーワードを一度は目にしたことがあるのではないでしょうか。 よく聞くけど詳しくは知らない、そんなやつがRackです。 今回は自分の知識の整理も兼ねて、Rackとは何ものなのかについて調べたメモを、ここに残します。長かったので、全3回に分割しています。 目次 [本記事] Rack入門 概念編(1/3) Rack入門 Rack Application編 (2/3) Rack入門 Rack Middleware編 (3/3) Rackとは何か。ひとことで Webアプリケーションサーバーとアプリケーションを接続するための標準化されたインターフェースのこと Rackとは何か。詳細 Rackの公式リポジトリでは、Rackは以下のように記載されています。 そして、 Supported web servers

前回 は、Rackのプロトコルを理解するために簡単なアプリを作りました。 今回はRackの重要な概念であるRack Middlewareについて学びます。 目次 Rack入門 概念編(1/3) Rack入門 Rack Application編 (2/3) [本記事] Rack入門 Rack Middleware編 (3/3) Rack Middlewareとは はじめにややこしいことを言いますが、Rackはミドルウェア(Middleware)です。 アプリサーバーとフレームワーク間のやりとりを仲介しているため、ミドルウェアと呼ばれます。 今回学ぶのはミドルウェアとは何か、ではなくてRack Middlewareについてです。 Rackには以下2つの概念があります。 Rack Application 前回学んだ、callメソッドを持つオブジェクトのことです StatusCode・Header

と、loading属性を追加するだけで、簡単に遅延読み込みに対応できます。 「めっちゃ簡単やん、よし全部の画像タグに loading="lazy" つけたろ」と思って、imgタグにひたすらlazyつけたら、一部画像が表示されなくなってハマったので、ここに記録を残しておきます。 loading="lazy"をつけると画像が表示されなくなった lazy-loadingしたことで、画像が正しく表示されない例を以下ページに置きました。 画像があることをわかりやすくするために、画像のまわりに赤い枠線を配置してます。 以下のように、ただひたすらにネコ画像を並べたサイトです。パット見うまく表示されているように見えますが... スクロールしてみると、おやおや... 画像がでてませんね. なぜ画像がでないのか なぜ画像がでてこないのか。これはCSSの書き方に問題がありました。 以下のようなcssで画像を表示

はじめ 図10.4「生存種子数yの予測分布をstanで作成する」以降の予測区間の説明内容に誤りがあります、現在見直し中 自習用にstanを使い「データ解析のための統計モデリング(一般化線形モデル・階層ベイズモデル・MCMC)」の「10.3.3 階層ベイズモデルの事後分布推測と予測」の信頼区間と予測区間の求め方をまとめました 上記の章に出てくる図10.4「生存種子数yの予測分布$p(Y|β,s)$と観測データ」をstanで求める方法を初心者がまとめたものです 時間がある方は、このまとめより"StanとRでベイズ統計モデリング"を読むことを強くお勧めします http://www.kyoritsu-pub.co.jp/bookdetail/9784320112421 用語の確認 Stan マルコフ連鎖モンテカルロ法(MCMC)を用いた統計モデリング言語です C++で実装 RとPythonのインタ

Smart Device Link(SDL:スマートデバイスリンク）の情報をまとめる。 ※日本語情報があまりないので公式ドキュメントの意訳となります Smart Device Linkとは スマートフォンと車載器を連携するためのオープンソース仕様。 車載器向けのライブラリと、iOS、Android向けのSDKが提供されている。 もともとはFordのAppLinkという車載器向けアプリを作る基盤だったものを2013年にSmart Device Linkとして公開された。 スマートフォン、車載器それぞれOSが異なっていてもSmart Device Linkをサポートしていれば、自動車でナビ、音楽、インターネットを楽しむことができる 概念 車載器がSmart Device Linkに対応していれば、Smart Device Linkに対応したスマートフォンのアプリが車載器および車のインターフェー

q を利用すると、CSVやTSV形式のファイルに対して直接SQLを発行できます。 インストール手順 http://harelba.github.io/q/ qを使ったデータ解析の例 以下の様な受注データのCSV (ファイル名はorders.csv) が手元にあった時。 OrderId,OrderDate,ProductID,UserID,Quantity,TotalPrice 10000005,2015/2/13,100,10000,1,10000 10000006,2015/2/13,101,10001,2,2000 10000007,2015/2/13,102,10002,3,6000 10000008,2015/2/13,100,10003,1,10000 10000009,2015/2/13,101,10004,2,2000 10000010,2015/2/14,100,10005

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

word2vecに関してのもっと詳しい話。 Skip-gram Skip-gramについてもうちょっと詳しく。入力ベクトルを元に出力ベクトルを決めるのは、Softmax関数を使うんだけど、この分母の計算が素直にやると語彙オーダーで重たい。階層的SoftmaxとNagetive Samplingの2つの方法が紹介されている。 階層的Softmaxだと語彙の対数オーダーに減る。これは最初に単語をハフマン符号にしておいて、符号の各位置のビットを見て一致するかどうかを教師データにしてビットの数だけ学習を繰り返す手法。ビットはword2vecの実装では40個になってる。各単語ごとに40回学習するのは効率が悪いと感じるけど、各単語ごとに出力層の各単語(数万個！)の出力を計算することに比べればはるかに安い。 Negative Samplingはざっくり言うと適当に選んだk個を「正しくない回答」として逆向

新しいLinux環境を作った時に、もろもろの設定をgithubの自分のリポジトリから取ってくる仕組みにしているのですが、githubからcloneするために秘密鍵を~/.sshにおいたりパーミッションを適切に設定したりという作業をするのが面倒でそれも含めて自動化できないもんかな〜と言っていたら「それssh -Aでローカルの秘密鍵を使えばいいんだよ」という話を聞いた。 Register as a new user and use Qiita more conveniently You get articles that match your needsYou can efficiently read back useful informationYou can use dark themeWhat you can do with signing up