【jQuery】submit前に処理を行う方法 - Qiita$('#form_id').submit(function(){ // // バリデーションチェックや、データの加工を行う。 // //バリデーションチェックの結果submitしない場合、return falseすることでsubmitを中止することができる。 return false; })
Firebase Realtime Databaseを使う手順 〜データ設計からセキュリティ、組み込みまで〜 - Qiita
Firebase Realtime Databaseを使う手順 〜データ設計からセキュリティ、組み込みまで〜AndroidFirebaseFirebaseRealtimeDatabase 最近FirebaseのRealtimeDatabaseを触っているので、手順やポイントをまとめてみた。 Realtime Databaseとは Firebase Realtime Datbaseとは、Googleが提供するNoSQLデータベースサービスであり、接続された全てのアプリ・Web等でデータの変更がリアルタイムに反映されるもの。 即時性が必要なチャットアプリとかに最適。 導入 Firebaseのアカウント作成 Firebaseにアクセスして手順通りにステップを踏むだけでOK。 あとは左ペインの"Database"に行くとGUIでKey:Valueを追加していくことが出来る。 データ構造の設計 この
翻訳: WebAPI 設計のベストプラクティス - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? これは Enchant の開発者である Vinay Sahni さんが書いた記事「Best Practices for Designing a Pragmatic RESTful API」1を、ご本人の許可を得て翻訳したものです。 RESTful な WebAPI を設計しようとすると、細かなところで長考したり議論したりすると思います。また、他の API に倣ってやってはみたものの、本当にそれでいいのか、どうしてそうしているのか分からない、何てことも少なくはないと思います。 この記事では、そのようなハマリどころについて Vinay さん
トップページ - RESAS 地域経済分析システム
地域経済分析システム（RESAS：リーサス）は、地方自治体の様々な取り組みを情報面から支援するために、内閣官房デジタル田園都市国家構想実現会議事務局が提供する、産業構造や人口動態、人の流れなどの官民ビッグデータを集約し、可視化するシステムです。
【ミニバッチ学習のコード】ニューラルネットとTensorFlow入門のためのオリジナルチュートリアル3 - HELLO CYBERNETICS
はじめに 学習の際のデータの与え方 バッチ学習、ミニバッチ学習、オンライン学習 バッチ学習 オンライン学習(確率的勾配法) ミニバッチ学習 ミニバッチ学習のコードサンプル データを単に小分けにして入れる 本当のミニバッチ学習(確率的勾配法) 全体のコード 最後に 可視化したい はじめに 前回までのチュートリアルは、それぞれ １．TensorFlowの書き方や考え方と共にニューラルネットの構築を学びました。 s0sem0y.hatenablog.com 2.構築したニューラルネットの学習をさせる方法を学びました。 s0sem0y.hatenablog.com これで最低限のことができるようにはなったのですが、今回学ぶことは ミニバッチ学習の考え方 ミニバッチ学習の実装 Accuracyとlossの表示の際の注意点 の3つになります。これらは学習を実際に行う上で必須となるものなので、必ず抑える
第7回 競馬予測を機械学習で解くための方法と評価方法
第7回目の理論記事では競馬をどのように機械学習問題に落とし込むのか、また学習した予測モデルの性能評価方法について説明していきます。 教師あり学習と教師なし学習 機械学習の問題は**教師あり学習（Supervised Learning）と教師なし学習（Unsupervised Learning）**の大きく2つに分類されます1。 教師あり学習とは、特徴ベクトル $ \mathbf{x}_i $ に対する望ましい応答 $ y_i $ の組 $ {(\mathbf{x}_i, y_i) } $ を訓練データとして与え、それをガイドにして関係 $ y = f(\mathbf{x}) $ を学習をします。そのようにして得られた予測モデル $ f $ に未知の特徴ベクトルを与えることで未来の現象を予測します。予測モデル $ f $ は、線形モデル、ニューラルネットワーク、決定木、サポートベクターマシン
パワースペクトル密度と自律神経バランス指標LF/HF [ストレスと自律神経の科学]
心拍変動の時系列解析に限らず、時系列データ解析においてデータの周期構造を分析するためにパワースペクトル密度は最もよくつかわれる手法の一つです。ここでは、パワースペクトルに関係する数々の概念と公式の直観的な理解ができるよう解説します。多くの教科書（参考書の紹介）に出ている定理の導出過程は記述を省略し、数式や定理が意味していることの理解を目標にします。他の分野の時系列データ解析にも使える基礎的な内容となっています。 このページで解説するパワースペクトルの計算方法はノンパラメトリック推定法と呼ばれることがあります。これに対するパラメトリック推定法は、自己回帰モデル等のように時系列データをパラーメタを持つ関数で記述しなおしてからパワースペクトルを計算する方法です。’ノンパラメトリック’の’ノン’は、少数のパラメータで記述されたモデルを用いず時系列データを直接使って議論を進めます、という意味ですので
CRI: 時系列データ解析におけるパワースペクトル密度関数について
お取り扱いするデータの形式、計算内容、計算結果の内容及び形式やデータ授受方法といった業務全般を定型化することでコスト削減及び納期短縮を図った低価格のスペクトル密度計算サービスを開始致しました。詳細は->ここ<-をクリックください。 このページは当事業所で提供するデータ解析業務について、これらの計算の内容の簡単な紹介及びこれらの計算がどのような役に立つのかということを説明するページで、数式や学術用語の使用はできるだけ避けています。このため一部の表現は数学的には厳密ではありません。 このページで紹介している以外の項目については、上の”データ解析”のボタンをクリックして下さい。データ解析のページに記載していないような項目でも計算可能な場合がありますので、データ解析のページに記載していないような項目の計算を希望される場合はメールでお問い合せ頂きますようお願い致します。 パワースペクトル密度関数とは
dspdata.psd - パワー スペクトル密度 - MATLAB - MathWorks 日本
Hpsd = dspdata.psd(Data) Hpsd = dspdata.psd(Data,Frequencies) Hpsd = dspdata.psd(...,'Fs',Fs) Hpsd = dspdata.psd(...,'SpectrumType',SpectrumType) Hpsd = dspdata.psd(...,'CenterDC',flag) パワー スペクトル密度 (PSD) は連続スペクトルを対象とするものです。与えられた周波数帯域全体における PSD の積分では、周波数帯全体の信号の平均パワーが計算されます。平均二乗スペクトルとは対照的に、このスペクトルのピークはある周波数におけるパワーを反映するものではありません。詳細については、dspdata の avgpower メソッドを参照してださい。 片側 PSD には、DC からナイキスト レートの半分までの周
dspdata - DSP データ パラメーターの情報 - MATLAB - MathWorks 日本
メモ dspdata.dataobj の使用は推奨されていません。代わりに適切な関数インターフェイスを使用してください。 Hs = dspdata.dataobj(input1,...) では、タイプ dataobj の dspdata オブジェクト Hs が返されます。このオブジェクトは、指定された dataobj タイプに必要なパラメーター情報をすべて含んでいます。個々のリファレンス ページで説明されているとおり、各 dataobj は 1 つ以上の入力を受け入れます。入力値を指定しないと、出力オブジェクトは特定の dataobj タイプに対して適切な既定のプロパティ値をもちます。
ロジスティック曲線の解法（最小二乗法）について困っています。
「分かっております」の式は明らかに嘘。 一瞥しておかしいと分かるのは、Σの外にxがある、という点です。実際に、a=... の式にデータを代入してaを計算しようと取りかかってみれば、すぐに立ち往生するでしょう。xというのはサンプル点の列x[k] (k=1,2,.....,n)のことであり、Σの中であれば、k=1,2...nについて総和を取ればよい。ですが、logxの所には、n個あるxのうち、はてさてどれを代入すりゃいいの？？ つまり、そもそも式として体をなしていないんです。（おかしいところは、それだけじゃないのですが。） じゃ、どうしましょうか。 既に出ている回答のように、非線形最小二乗法の問題として扱う。というのが、ご質問に対するストレートな回答でしょう。大変そうに見えても、やってみりゃどうということはありません。（詳しいやり方をご所望なら回答します。） ところで「過去の実績を基に、将来値
自己相関を使用した残差解析 - MATLAB & Simulink - MathWorks 日本
この例では、信頼区間をもつ自己相関を使用してノイズ データの最小二乗近似の残差を解析する方法を示します。残差は近似モデルとそのデータの誤差を示します。信号とホワイト ノイズのモデルで信号に対して良い近似が得られている場合は、残差はホワイト ノイズのはずです。 加法性ホワイト ガウス ノイズを伴う 1 次の多項式 (直線) で構成されるノイズ データ セットを作成します。加法性ノイズは N(0,1) 分布に従う一連の無相関確率変数です。これは、すべての確率変数は平均 0 と分散 1 をもつことを意味します。再現性のある結果を得るために、乱数発生器を既定の状態に設定します。
「ロジスティック曲線」の意味や使い方 わかりやすく解説 Weblio辞書
考え方： 元のデータをプロットすると図 1 のようになる。 図 1．元データのプロット 独立変数は，１から始まる連続する整数とする。従属変数は全て正の値でなければならない（ 0 も不可 ）。 注1： より妥当なあてはめを行う場合には，非線形最小二乗あてはめを行う。 注2： データが飽和点に達していない部分のみ（ 指数的な増加部分だけ ）の場合には，あてはめに失敗する場合がある。このような場合には非線形最小二乗法によるあてはめを行う。 ロジスティック曲線を表す（ 1 ）式の両辺の逆数をとると，（ 2 ）式のようになる。 …… ( 1 ) …… ( 2 ) ここで，Y = 1 / y，A = 1 / a，B = b / a とおくと（ 3 ）式のようになる。 …… ( 3 ) （ 3 ）式は，未知のパラメータ A，B については線形であるが，c については非線形である。そこで，以下のような逐次
EAFAQ113
(1)C19： =0.5と仮に置きます (2)C20： この段階では未知数のままとします。 (3)C21： 同じくこの段階では未知数のままとします。 (4)C2： 残差を求めます。 =B2-$C$20/(1+$C$21*(exp(-$C$19*A2)) つまり y - a/(1+b*(exp(-cx))です。以下C16まで式コピーします。この段階での数値には意味はありません。 (5)C17： 残差の平方和を求めます。 =SUMSQ(C2:C16)です。 この段階での数値には意味はありません。 (6)以上で準備が完了しました。「ソルバー」を用いて，残差平方和についての最小２乗法を実行し，係数a，bを求めます。ソルバーの使い方はQ71を参考にしてください。[ツール]-[ソルバー]から，「目的セル」はC17，「目標値」は最小，「変化させるセル」は$C$20,$C$21，「制約条件」は大
デバッグの基本 – ステップ実行
ステップ実行とはデバッグのもっとも基本的な方法です。処理を1行ずつ実行していき、途中のデータや条件判定などを確認することができます。 ステップ実行の種類 ステップイン ⇒ 1行ずつ実行（呼び出しプロシージャ内も1行ずつ実行）ステップオーバー ⇒ 呼び出しプロシジャー内では処理を中断しないステップアウト ⇒ 現在のプロシージャを最後まで実行し、呼び出しもとに戻る これらの操作は処理の中断中に、メニューの デバッグ ボタンから選択するか、ショートカットキーで行います。 デバッグ メニューの内容 以降では、前述のサンプルマクロを使用してステップ実行を説明していきます。予め、サンプルマクロを標準モジュールに貼り付けて、実行できる準備を整えておくことをお勧めします。 ステップイン ステップイン操作（F8）を行うと処理を1行ずつすすめることができます。実行途中に他のプロシージャがあると、その中でも1行
MATLAB Note/統計/確率分布 - Miyazawa’s Pukiwiki 公開版
確率分布（確率密度関数） † 確率分布の特性と分類に関して、さまざまな確率分布（滋賀大中川先生） に総合的な解説があります。 以下、Statistics Toolbox の関数を使用します。 参考：Statistics Toolbox でサポートされている確率分布 Rでも同じことができるはずです。R Note/統計/確率分布 を参照して下さい。 ↑ 連続変数（Continuous variable） † 連続的に変化する値の出現頻度を扱う分布。 【引用】 （略）棒が倒れる方向 X は、0 から 360°の間の任意の値を取ることができます。このような分布を連続型分布といいます。（略）ここで注意してもらいたいのは、離散型分布の確率関数とは異なり、確率密度関数 f(x) は、X が 値 x を取るときの確率を表しているわけではないことです。（略）なぜなら、倒れたときの角度がある特定の値に完全に一
一般化線形モデルによるデータの近似 - MATLAB & Simulink Example - MathWorks 日本
この例では、glmfit と glmval を使用して、一般化線形モデルの当てはめと評価を行う方法を示します。通常の線形回帰を使用すると、直線、またはパラメーターにおいて線形である任意の関数を、正規分布した誤差を伴うデータに当てはめることができます。これは最もよく使用されている回帰モデルですが、必ずしも現実的なモデルであるとは限りません。一般化線形モデルは、線形モデルを 2 つの方法で拡張したものです。第 1 に、リンク関数を導入することで、パラメーターにおける線形性の仮定が緩和されます。第 2 に、正規分布以外の誤差分布をモデル化できます。 一般化線形モデル回帰モデルは、応答変数 (一般に y で示される) の分布を、1 つ以上の予測子変数 (一般に x1、x2 などで示される) を使用して定義します。最もよく使用されている回帰モデルである通常の線形回帰は、正規確率変数として y をモデ
技術レポート「シリアル通信とは？」｜ソフテックだより｜株式会社ソフテック
「ソフテックだより」では、ソフトウェア開発に関する情報や開発現場における社員の取り組みなどを定期的にお知らせしています。 さまざまなテーマを取り上げていますので、他のソフテックだよりも、ぜひご覧下さい。 ソフテックだより（発行日順）のページへ ソフテックだより 技術レポート（技術分野別）のページへ ソフテックだより 現場の声（シーン別）のページへ 通信を大きく分類するとシリアル通信とパラレル通信に分類できます。 簡単に説明するとシリアル通信は1本の信号線で1ビットずつデータの受け渡しを行ない、パラレル通信では複数の信号線で同時に複数ビットのデータの受け渡しを行なう方式です。 ソフテックの組み込みソフト開発では、監視システムなどが多く、単体のプログラムが動作するということは少なく、さまざまな機器と通信を行なうことで情報の受け渡しを行っています。 火災や故障などの状態収集、情報の上位アプリケー
ねむいさんのぶろぐ | XBeeを試す
!告! DropBoxの仕様変更に伴いまして過去の記事の画像が 見えなくなっていた問題はようやく解消しました！ 現在EDGEで正常に閲覧できるよう過去の記事を適宜修正中です。 気がつけばもう8月…月日が経つのは早いです。私はと言えば先日虹裏でスレを立てた 直後に寝堕ちという不名誉な最短記録をおっ立ててしまい軽い自己嫌悪に陥ってました。 それでも参加してくれた皆さんには本当に申し訳ないと思います。お詫びにいなちゃん があっちの皆さんに目の保養をさせていただくことになるでしょう… (これ目的でわざとやってるわけじゃないよ！) 5月に買ったおもちゃ達もだいぶ消化出来てきました。残りは今回紹介するXBeeと、 ねむいさんがやるやる詐欺でほったらかしてきたAT91SAM7S256のプロトボードを残す のみとなｒまた前振り長くなりそうだからさっさと本題 現時点では、スイッチサイエンスさんと秋月さんから
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
FAMOS技術サポート パワースペクトル密度(PSD)計算について