本日、新著が発売となります。本書の初版は処女作ということもあり、色々と書き手として未熟な部分も多く出てしまった本なのですが、幸運にも長い期間読んでいただいたことでこのたび改訂版の刊行にこぎつけることが出来ました。 さすがに10年経過すると内容も古くなっており、多くのコードをリバイスしています。特に初版刊行時にはまだサポートが不十分だったウィンドウ関数が、現在では主要なDBMSではほぼ利用できるようになったことを受けて、全面的にこれを採用しました。これにより性能と表現力を両立させるモダンなSQLコーディングが可能になったので、ぜひ本書でその素晴らしさを確認いていただければと思います。 以下に本書の前書きを引用しますので、購入の際の参考にしてください。 本書の初版が刊行されてから、10年が経過しました。筆者にとって、初版は初めて書いた本、いわゆる処女作であり、自分の知見や文章がどのような受け取

エンジニアHub > 記事一覧 > AWSに関するありがちミスとその対策～EC2、S3、RDS、Lambda、CloudFrontの場合 AWSに関するありがちミスとその対策～EC2、S3、RDS、Lambda、CloudFrontの場合 AWS入門者が基本として知っておくべき知識を、AWS導入＆運用サポートのプロである、アイレットのエンジニア3名に聞きました。多くのAWSユーザーに支持されるAmazon EC2、Amazon S3、Amazon RDS、AWS Lambda、Amazon CloudFrontそれぞれの勘所やオススメの設定を、余すところなく紹介してもらいます！ なぜ、AWSを選ぶのか？ Amazon EC2～インスタンス起動後はプライベートIPを設定できないので注意 Amazon S3～S3はディスクではない。マウント非推奨の理由 RDS～自動スナップショットの保持期間を

TensorFlowのためのGPU環境をGCPのGoogle Compute Engine (GCE)で構築するには、 GPUの割り当て申請（初回のみ。所要時間は約5分） CUDAやcuDNNをインストール（NVIDIAのサイトからダウンロードしたりインストールしたりなんだりでスゲー時間かかって面倒） TensorFlowをインストール（所要時間は約5分） って手順が必要。しかし最近、Cloud DatalabのGPUインスタンスが利用可能になったおかげで、この手順がぐんと簡単になった。 GPUの割り当て申請（初回のみ。所要時間は約5分） Cloud Datalabインスタンスを作成（コマンド一発、待ち時間は15分ほど） これでOK。DatalabインスタンスにはTensorFlowだけじゃなくて、scikit-learnとかpandas、matplotlib等の定番ツールも入ってるので、

さて前々回、前回とDistributed Tensorflowの仕組みを学んできましたが、いよいよGoogle Cloud Platform(GCP)上で動かしてみます。無料枠の\$300を突っ込んでvCPUインスタンスをたくさん作れば貧乏人にも高火力の鱗片が見れるのでは？という期待がモチベーションでした。 最初にネタばらししてしまうと、GCPの無料アカウントでは1regionにつきvCPU8個までに制限されていることがわかりましたので、それほどの高火力にはなりませんでした。今回はインターフェイスとマスタサーバに１個ずつvCPUを当てたので、vCPU6個での並列化となります。それでも、もちろんちゃんと速くなりました。 Dockerイメージの作成 GCPのContainer Engine で動かしたいので、まずDockerイメージを作ります。 先日ビルドしたTensorflowサーバのみを入

機械学習の勉強の備忘録　その７です GPU環境でかつ安くてかつ簡単な構築手順です コスト：1時間で15〜20円ぐらい 構築時間：10分（待ちが7〜8分） 環境：aws 対応ライブラリー： MXNet : v0.9.3 tag Tensorflow : v1.0.1 tag ←バージョンアップしました Theano : rel-0.8.2 tag Caffe : rc5 tag Caffe2(Experimental) : v0.6.0 CNTK : v2.0beta12.0 tag Torch : master branch Keras : 1.2.2 tag 15〜20円ならお財布に優しいよね これ以上、簡単な方法が今の所ないと思っている （これ以上に簡単な方法でかつ安い方法があるなら教えてほしい） 前提として Ubuntu系の場合は以下の手順が必要なのですが めんどくださいのです 1.

ターゲット 機械学習、ディープラーニングに興味を持ち、チュートリアル通りにMNISTを動かしてみて機械学習の入り口に立ってみたものの、さて次は何をしようか？という方。 CNNを使った画像認識を勉強したものの、自分のローカル環境（CPU）では待てど暮らせど学習が進まない、ディープラーニングにはどうやらGPUなるものが必要らしい。という方。 ディープラーニングを勉強するためにわざわざGPU環境を構築するのは如何なものか。クラウドで手軽にテストをしてみたい。という方。 自分でGPU環境を構築すると、学習を始めるまでに必要な環境構築にうんざりしてしまうのですが、ディープラーニングに必要な環境がプリインストールされた、AWSのAMI（Amazon マシンイメージ）を使うことでとても簡単にGPUを使った学習を行うことができます。 AWSのアカウントを作る インスタンスを作成する インスタンスに接続する

Search, watch, and cook every single Tasty recipe and video ever - all in one place! News, Politics, Culture, Life, Entertainment, and more. Stories that matter to you.

結論 「ゴミ記事」の判定とフィルタリングはGoogle1とそのユーザーの責務なので、気にせずに書き続けましょう。 以下、蛇足 定義 いくつかの記事についたコメントを見たところ、「ゴミ記事」の定義は以下に集約できそうです。 レベルが低い(入門者向け) 自分用のメモ(体系立っていない) わかりにくい(文章が下手) 情報が古い 内容が間違っている なお、複数人の意見を集約しただけであり、上の記事がすべて「ゴミ記事」である、という意味ではありません。(たとえば自分用のメモであっても多くの人の役に立つことがあります) 背景 そもそもなぜ記事を書くのかについて考えてみます。 ほかの人の役に立つため 勤務先の業務のため もしくは勤務先での評価を上げるため PVを稼ぐため 自分用の備忘録として残しておくため 原因 定義と背景に挙げた前提のもとで「ゴミ記事」が増えてしまう原因は以下が考えられます。 入門者向