Terraformを使ってdev環境でのみリソースを作成する
はじめに Terraformで複数環境を管理しているときに、CircleCIのAWS Permissionsに設定するためのIAMユーザーの作成もTerraform管理に含めたい！… ということで、dev環境でのみリソースを作成する方法です。 Terraformのバージョンは0.11.9で検証しています。 やり方 count = "${terraform.workspace == "dev" ? "1" : "0"}" countは0のときは作成せず、１のときは一つ作成するという仕組みを利用します terraform env new dev terraform env select dev # これすることでterraform.workspaceがdevになります esource "aws_iam_user" "user" { count = "${terraform.workspace
スニペットで最速補完していく [VSCode] - Qiita
スニペットとは wikiを参照すると 情報処理の分野ではよく使う短いプログラムコードを統合開発環境から呼び出す機能のことである. また, 呼び出される短いコードのことをスニペットと呼ぶ場合もある. とのこと. この機能はVSCodeでも標準で搭載されています. 以下でスニペットの定義と呼び出しの仕方について書いていきます. VSCodeで自作スニペットを作成する ユーザー自身でスニペットを定義するためにjsonファイルを開く 言語ごとにjsonファイルが用意されているため, そこにスニペットの定義を書いていくことになります. jsonファイルの開き方は以下のどちらかです. jsonファイルの開き方 : パターン1 Ctrl + Shift + Pでコマンドパレットを開き, [configure user snippets]と入力します. そうすると言語の一覧がズラッと出てくるので, 設定し
![スニペットで最速補完していく [VSCode] - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/d3236c3c16a7a6d63254e113498dd2802483f9dd/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-412672c5f0600ab9a64263b751f1bc81.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9JUUzJTgyJUI5JUUzJTgzJThCJUUzJTgzJTlBJUUzJTgzJTgzJUUzJTgzJTg4JUUzJTgxJUE3JUU2JTlDJTgwJUU5JTgwJTlGJUU4JUEzJTlDJUU1JUFFJThDJUUzJTgxJTk3JUUzJTgxJUE2JUUzJTgxJTg0JUUzJTgxJThGJTIwJTVCVlNDb2RlJTVEJnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9NTYmdHh0LWFsaWduPWxlZnQlMkN0b3Amcz05NzVhOTdkMjY2N2Q5ZmRiZTQ0N2RmZDBkODdlNmJhYw%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBoYXJ1MTg0MyZ0eHQtY29sb3I9JTIzMjEyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTM2JnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnM9ZjkwMjFkOTJiZjE0MGE2YjFmY2VmOTVjODFmZmQzYTQ%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3D46616061aa189e814411a4f0a7368939)
Jackknife法とサンプル数バイアス - Qiita
はじめに 平均0、分散$\sigma^2$のガウス分布に従う確率変数$\hat{x}$を考えます。確率変数の2次と4次のモーメントはそれぞれ $$ \left< \hat{x}^2 \right> = \sigma^2 $$ $$ \left< \hat{x}^4 \right> = 3 \sigma^4 $$ です。したがって、以下のような量を考えると分散依存性が消えます。 $$ U \equiv \frac{\left< \hat{x}^4 \right>}{\left< \hat{x}^2 \right>^2} = 3 $$ これは尖度(kurtosis)と呼ばれ、ガウス分布で0とするような定義もありますが、本稿ではガウス分布で3となる上記の定義を用います。 実際に上記の量を計算して3になるか確認してみましょう。平均0、分散$\sigma^2$のガウス分布に従うN個の確率変数$\ha
TypeScript + Node.jsプロジェクトにESLint + Prettierを導入する手順2020 - Qiita
TL;DR 完成形のソースコードはこちら↑ この記事の趣旨 TypeScript + Node.js プロジェクトのはじめかた2020 で作成したTypeScript + Node.jsのプロジェクトに ESLint / Pretiter / husky & lint-staged を導入する手順を紹介します。 今回導入するツールとバージョンは以下になります。 項目 バージョン
distrolessイメージを使って、ランタイムDockerイメージを作ってみる - Qiita
distrolessとは？ Googleが公開している、ランタイム用のDockerイメージです。 なぜ使うか？ Dockerはプロダクション環境にも導入されるようになりました。 プロダクション環境では脆弱性対応などをする必要があります。 デプロイされるDockerイメージをアプリケーション実行に必要なものだけに制限することで、このような間接的な作業を減らすことが可能です。 distrolessイメージはこのような要望に対応した、アプリケーションランタイムのみに特化したDockerイメージです。 実際にイメージに入っているのは、gcr.io/distroless/baseの場合、 glibc libssl openssl ca-certificates A /etc/passwd entry for a root user A /tmp directory のみです。 nodejsイメージな
リモートワークのいま学びたい、GitLab Handbookと徹底した文書化への狂気 - Qiita
1200人以上の全社員がリモートワーク。GitLabが公開する「リモートワークマニフェスト」は何を教えているか？ スケールする組織を支えるドキュメンテーションの技術を”GitLab Handbook”から学ぶ その コメント GitLab Handbookで面白かったもの@コミュニケーション編 GitLabのリモート統括責任者が語る 日本企業が「まずやるべきこと」 を読んだ。主題はGitLab社の https://about.gitlab.com/handbook/ である。 2022.02追記 GitLabで学んだ最高の働き方 Developers Summit 2022-02-18 2022.01追記 リモートワークのいま学びたい、GitLab Handbook非同期コミュニケーションのススメ - Qiita Handbook要点 「GitLab社ではリモートワークの中でも生産性高く働
Swiftで日本語入力できるキーボードアプリを作った - Qiita
日本語入力のキーボードアプリazooKeyを作り、12月頭からApp Storeで公開しています。iOS向けキーボードアプリを作る上でのハードルや、かな漢字変換の実装の話を書きます。 概要 azooKey(あずーきー)は自作したiOS向けのキーボードアプリです。統計的かな漢字変換システム Mozcを参考にしながらかな漢字変換をSwiftで書き、長らく標準キーボードに欲しいと思っていたカスタマイズ機能をつけて公開しました。 構成 統計的かな漢字変換システム Mozcを参考にして、辞書や変換機能を作成しました。 使用言語: Swift, Python ライブラリ/ツール: SwiftUI, MeCab(辞書はIPAdic/NEologd) 大きく「辞書」「変換」「UI」の三点に分割して考えながら作りました。それぞれに割いた時間は3:4:3くらいです。 変換は全てSwiftで書きました。現代のか
GCPにおけるサーバサイド暗号化 - Qiita
はじめに GCPにおける暗号化の全体像は以下になります。 一般的に暗号化は、データの転送中(in transit)の暗号化とデータ保存時(at rest)の暗号化に分類されます。データ保存時(at rest)の暗号化は、データを暗号化する場所によりクライアントサイド暗号化、サーバサイド暗号化に分類できます。 ここからは、サーバサイド暗号化について記載します。 本記事における用語の定義 ユーザ：クラウドの利用者 顧客：ユーザと同義、GCPのマニュアルでは、Customer Managed keyを顧客管理鍵と訳しているため、鍵の名称にはユーザではなく顧客を使用する GCPにおけるサーバサイド暗号化の種類 GCPにおけるサーバサイド暗号化の種類は、Google のデフォルトの暗号化、顧客管理鍵による暗号化、顧客管供鍵による暗号化の3種類あります。 Google のデフォルトの暗号化は、Goog
確率計画法とその周辺の紹介 - Qiita
はじめに 数理最適化の入門書を読み、ではデータが与えられた状態でどのように最適化問題を構築すれば良いかと疑問に思われた方を対象に、古典的な手法から近年注目されているモデリング手法について紹介します。 基となる最適化問題を大幅に単純化するために以下では主に $$ \begin{align} \min_x\quad & c^{\top}x \\ \mbox{s.t.}\quad & Ax\leq b,\\ & x \in \mathbb{R}^n, \end{align} $$ の形式の線形計画問題を取り扱いますが、多くは凸最適化問題、整数最適化問題に拡張することができます。 1. 確率計画法 (Stochastic Programming) 確率的に振る舞うパラメータが存在し、その分布が判明しているかデータが十分に存在する場合を取り扱います。 1.1. 目的関数の不確定性 目的関数の係数であ
React × Typescript × ESLint × Prettier × VSCodeなSetup - Qiita
初投稿から一年くらい経って、各種ライブラリも少し様変わりしたので書き直しました。 21spring verです。 こちらでメモしつつ、変更したのでよかったら参照ください。 https://zenn.dev/sh090/scraps/3a6fed549d4716 チェケラ はじめに create react app with tsなプロジェクトにeslintとprettierを入れる記事です。 やりたいこと react × typescript なLint設定 Lintエラーの解消 VScode保存時に自動整形 3は別記事がたくさんありますが一応 注意書きみたいなの node, yarnがinstallされてる前提で話進めます yarn 使います Create React App 使います style guide はAirbnb ルールは各プラグインの推奨設定 ＋ α 各種version p
Cloud Functions で構築したREST APIをFirebase認証で保護する。そして自前RESTサーバのAPIにもFirebase認証を適用する。 - Qiita
export const echo = functions.https.onRequest((request, response) => { const task = request.body response.send(JSON.stringify(task)) }) とは別に functions.https.onCall という方式もあるようで、今回はそちらをつかってみます。そしてそれをスタート地点にして、Functions上に構築したREST API を、Firebaseの認証機能で保護するやり方を考えてみようとおもいます。 ついでに、自前で構築したRESTサーバにも、Firebaseの認証を組み込んでみようと思います。 TL;DR functions.https.onRequest でRESTなサービスを作ったばあい認証チェックなどは自動では行われない。従って作り込みが必要ではある
AIと公平性（入門編） - Qiita
はじめに ABEJAのアドベントカレンダーの第・・・何番目だろ・・・？？ ABEJAでは、法務担当者をやっています。 弁護士を10年ほどやっていますが、ふとしたことで機械学習の世界をやってみたくなり、独学で、数学書やPRMLや青本やカステラ本やグッドフェロー先生の本を読んだりして、数学やら機械学習理論やらPythonの勉強をしたり、OJTで学んで、3年ほどRDチームを立ち上げて、機械学習モデルの開発・実装や技術調査に携わっていました。今は、法務関係の仕事がメインです。 今日のテーマはAIと公平性です。 色々テーマはあるのですが、ABEJAの中の人のご希望により公平性にしました。 当初は他のアドベントカレンダーの記事みたいに、コードをいっぱい書いて、「公平性確保のためのいろいろな論文を実装して効果を試してみた」「公平性に関する定義について理論面を解説してみた」系の記事にしようかと思っていたの
ダブル配列のゲーム作った - Qiita
本記事は「データ構造とアルゴリズム Advent Calendar 2020」の22日目の記事です。 突然ですけど、Typescript+PIXI.jsでダブル配列のゲームを作りました。 https://kampersanda.github.io/xchecker/app/ ゲーム名はXChecker1っていいます。与えられたトライ木から隙間なく要素を配置してダブル配列を構築する（たぶんパズル）ゲームです。2 ちょっとフロントエンドな何かを作って遊んでみたくなったのが動機で、なぜダブル配列？と聞かれると宗教上の理由です。 ところで、トライ木やダブル配列に関しては素晴らしい解説がたくさん存在してます。今年のアドカレでも10日目に@Naughieさんが非常に詳しい解説を書いてくださってます。他にも調べたら出てくると思います。 ということで、本記事ではトライ木やダブル配列について改めて解説したり
BigQuery SQL でレイトレーシング - Qiita
# 以降はコメントなのでこれは valid な pnm フォーマットです。 拡張子 pgm で保存すれば、Windows の場合は IfranView、macOS の場合は Preview.app で表示できます。 これで BigQuery で画像を出力できることが確認できました。 BigQuery によるレイトレーシング というわけで、BigQueryでレイトレーシングをやってみましょう。 実際のSQLコードは以下のようになります。 -- Vec3のドット積 CREATE TEMPORARY FUNCTION DOT (a STRUCT<x FLOAT64, y FLOAT64, z FLOAT64>, b STRUCT<x FLOAT64, y FLOAT64, z FLOAT64>) AS ( a.x*b.x + a.y*b.y + a.z*b.z ) ; -- 線形結合 aP +
Pydantic 入門 - Qiita
Pydantic とは Pydantic は、Python の型アノテーションを利用して、実行時における型ヒントを提供したり、データのバリデーション時のエラー設定を簡単に提供してくれるためのライブラリです。 このライブラリは、SQLAlchemyでのデータベースモデルを定義する際に役立ちます。 モデル まず、定義するにあたって、次のように定義します。 from datetime import datetime from typing import List from pydantic import BaseModel class User(BaseModel): id: int name: str # (変数):(型)として、型を宣言する friendIds: List[int] = [] # "=" を利用してデフォルト値を定義することもできます created_at: datetime
【備忘録】Stein推定量について - Qiita
はじめに 私は学生の頃は数学科を専門としてなければ、データや統計数理に関わる仕事をしているわけではありません。 数学が好きで独学で統計数理を学んでいるので、間違っている箇所や説明不足のことがあればご指摘をお願い致します。 Stein推定とは 多くの母平均を同時に推定する際に、最小二乗法よりも正確な推定が出来る手法の一つです。いわゆる縮小推定量の一種です。 いま$ N $個の母数$x_1$,$x_2$,$x_3$, , ,$x_N$があり、それぞれの$x_i$について分散$σ$の正規分布$N(x_i,σ)$に従う独立した確率変数$z_1$,$z_2$, , ,$z_N$が観測されたとします。 $x_i$の自然な推定量は$z_i$自身であり、$z_i$は最小分散不偏推定量であり、最尤推定量です。 $z_i$をもとに$x_i$を推定しようとする時、基本的には平均二乗誤差(MSE)を基準とします。
Stein現象とJames-Stein推定量の平均2乗誤差 - Qiita
1. Introduction : 平均2乗誤差 母集団のパラメータ$\theta\in\mathbb{R}^d$に対して、標本$X=(X_1,\cdots,X_n)$を用いた推定量$\hat{\theta}=\hat{\theta}(X_1,\cdots,X_n)$を考えたとき、その推定量$\hat{\theta}$の良さを \begin{eqnarray*} \mathrm{MSE}(\hat{\theta};\theta)&:=&\mathbb{E}\left[\|\hat{\theta}-\theta\|^2\right] \end{eqnarray*} の大きさで測るアイディアは自然に見えるのではないでしょうか。これを推定量$\hat{\theta}$の平均2乗誤差 (mean squared error, MSE) といいます。 2. James-Stein推定量 1956年、
十分統計量、フィッシャー-ネイマンの分解定理 - Qiita
標本集合から、確率分布のパラメーター $\theta$ を統計的推定する際、推定に十分な情報を含んだ統計量を十分統計量と呼ぶ。 確率変数 $X$ に対する統計量 $T(X)$ が以下を満たす場合、その統計量は十分統計量と定義される。
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
TypeScript + Node.js プロジェクトのはじめかた2020 - Qiita
VIMで、行末の余分な改行コード（^M）をすべて取り除く - Qiita
