Boto3でDynamoDBを操作してみました | クラウド・AWSのIT技術者向けブログ SKYARCH BROADCASTING
この記事は公開されてから半年以上経過しています。情報が古い可能性がありますので、ご注意ください。 # -*- coding: utf-8 -*- import boto3 from boto3.session import Session dynamodb = boto3.resource('dynamodb') def create_table(): table = dynamodb.create_table( TableName = 'customer', KeySchema =[ { 'AttributeName' : 'id', 'KeyType' : 'HASH' }, { 'AttributeName' : 'name', 'KeyType' : 'RANGE' } ], AttributeDefinitions = [ { 'AttributeName' : 'id', 'A
Intel プロセッサの脆弱性に対する調査・対応方法まとめ - Feedforce Developer Blog
社内向けに Qiita:Team で共有した、件の脆弱性の調査・対応方法のまとめを公開してみます。 脆弱性の調査・対応って難しい(で、その脆弱性でどんな影響があるの？どうやって？がわからない)し、どんな対応をしたよ〜みたいな具体的な事例が少ない気がするので公開してみようと思いました。「影響を受ける機器があるかどうか判断する」ことに焦点を絞った内容になっています。 間違った内容があれば教えていただけると助かります…。 🙏 「なんかヤバそう」な脆弱性対応の流れ 社内で共有した内容 概要 (弊社の場合の) 先に結論 どのような脆弱性か 影響を受けるシステム 対象サーバの調査方法 対応方法 参考リンク ニュース Intel HPE その他 まとめ 「なんかヤバそう」な脆弱性対応の流れ 大きめの脆弱性はだいたい以下のような流れで対応しています。 脆弱性の調査・共有 脆弱性の概要・対象システムの判定
Area Under the ROC Curve (AUC) を実装する
AUCの実装 is 台形（長方形）の面積の逐次計算 この True Positive が False Positive より上位にランキングされるか という考えを念頭に置くとAUCの実装が理解しやすい。 具体的には、降順にソートされた予測スコア pred と、それらの真のラベル label を順に処理して、各時点での True Positive, False Positive の増分から面積を求めて加算的に計算していく。 コードにすると以下のような雰囲気。 def trapezoid(x1, x2, y1, y2): """与えられた長方形（台形）の面積を求める """ base = abs(x1 - x2) height = (y1 + y2) / 2. return base * height def auc(pred, label): """ソート済スコアとラベルのリストからAUCを
Over-/Under-samplingをして学習した2クラス分類器の予測確率を調整する式
不均衡データ (imbalanced data) からクラス分類を行うとき、マイナーなクラスに属するサンプルの oversampling や、メジャーなクラスに属するサンプルの undersampling (downsampling とも) が大切（cf.『不均衡データのクラス分類』）： （▲ Tom Fawcett氏による記事 "Learning from imbalanced data" 中の5番目の図を引用） このテクニックを使って学習した分類器による予測確率は、少し調整してから解釈したほうがいいらしい、という話。 Imbalanced data と Oversampling/Undersampling たとえば2クラス分類をしたいとき、ラベル1のサンプル（正例）がわずか 0.01% しか存在せず、その他 99.99% のサンプルはラベル0（負例）、みたいな状況がある。 そこまで顕著
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
処理を実行中です
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
Fact Extraction and VERification
