https://github.com/k1LoW/wsa-sg-8th-draft
https://github.com/k1LoW/wsa-sg-8th-draft
「はぴい」こと飯塚敦と申します。カレーが大好きな男です。 私はフードジャーナリスト・カレーライターとして、日本全国やアジア各地のレストラン・食堂でカレーを食べ歩いています。 ブログ「カレーですよ。」は16年目を迎えました。また月刊誌での連載は10年目に突入し、私が知る限りでは、日本のカレーコラムの最長連載記録を更新し続けています。 「プロの手による本物」という部分にこだわり、基本的に「プロの調理人が作ったカレー」のみを食べ続けてはや30年。食べ歩いたカレーは累計1万食を突破しています。 コロナ禍という日常で、外食に出るのがはばかられる空気はいかんともしがたいものがありますね。 だからこそ、この状況下でおうちで外食に劣らないおいしいカレーを食べたい人もたくさんいるでしょう。私もその一人です。 そこで普段は外食応援として外でカレーを食べている私ですが、今回は家でもおいしいカレーが楽しめるように
写真パシャ→3Dデータ完成。3DキャプチャーAPI「Object Capture」 #WWDC212021.06.08 04:2018,426 ヤマダユウス型 3Dづくり、どんどん身近になっていくね。 新たなmacOS Montereyにて実装された機能のひとつが「Object Capture」。デベロッパー向けの3DキャプチャーAPIで、3Dオブジェクトが簡単に作れますよーというものです。 やり方は、3D化したいアイテムをiPhoneやiPadで撮影するだけ。アイテムの周辺をぐるりと撮影することで、一連の2Dイメージをフォトグラメトリー(二次元の写真から3Dモデルを作成する技術)で3D化します。LiDARには触れてなかったから、LiDAR非搭載のデバイスでも使えるのかな? 作成したデータはCinema 4Dに取り込んだり、ARオブジェクトにすることもできるみたい。デベロッパー向けにAPI
.app 1 .dev 1 #11WeeksOfAndroid 13 #11WeeksOfAndroid Android TV 1 #Android11 3 #DevFest16 1 #DevFest17 1 #DevFest18 1 #DevFest19 1 #DevFest20 1 #DevFest21 1 #DevFest22 1 #DevFest23 1 #hack4jp 3 11 weeks of Android 2 A MESSAGE FROM OUR CEO 1 A/B Testing 1 A4A 4 Accelerator 6 Accessibility 1 accuracy 1 Actions on Google 16 Activation Atlas 1 address validation API 1 Addy Osmani 1 ADK 2 AdMob 32 Ads
はじめに 最近までコンテナは使うだけだった僕が2021年に真面目にコンテナ入門をしたので、どうやって入門し始めたか、結果今どうなったかを書いておこうと思います。 今となってはコンテナと1口に言ってもKubernetes Docker podman runcなどなど様々な難しい単語が飛びかっています。CloudNativeという単語もよく聞きますね。コンテナだけあってコンテナ界隈は海のように広いですね。 壮大なコンテナ界隈の海を僕がどうやって最初にチャレンジしてみたか参考に慣れば🙏 結論として入門した結果はこちらです。 コンテナ入門するきっかけ 2020年くらいまでの僕はDockerを使う程度の知識、namespaces(7)とcgroups(7)というLinuxカーネルの機能が使われているらしいということしか知りませんでした。Kubernetesも略し方や発音で時々話題になることを知って
こんにちは、ドイツのモナでございます〜 いろんなサイエンスにおいてグラフ理論がとても重要な用具となっていますが、グラフ理論ってそもそも何なのかご存知ない方も少なくもないですね。 ということで、今日は簡単にグラフ理論の基本や用語など紹介したいと思います!なお、入門のため誰にでも分かるように数学的な定義は避けるようにします。 また、グラフ理論の応用は別の話ですので今回は応用の話しません〜 なぜグラフが面白いのか 具体的な応用の話はしませんが、たくさんの分野においてグラフ理論が重要となっています。 ネットワーク(例:トポロジー、ルーティングアルゴリズム) AI(例:ニューラルネットワーク) コンピューターサイエンス(例:ファイルシステム) 社会科学(例:ソーシャルネットワーク分析) 皆さんの生活の中(例:カーナビの最短ルートの計算) グラフ理論とは? ここで議論するグラフというのは、よく思い浮か
はじめに 私はこれまで機械学習のパラメータチューニングに関し、様々な書籍やサイトで学習を進めてきました。 しかしどれもテクニックの解説が主体のものが多く、 「なぜチューニングが必要なのか?」 という目的に関する記載が非常に少なかったため、体系的な理解に苦労しました。 この経験を後世に役立てられるよう、「初心者でも体系的に理解できる丁寧さ!」をモットーに記事にまとめたいと思います。 具体的には、 1. パラメータチューニングの目的 2. チューニングの手順とアルゴリズム一覧 3. Pythonでの実装手順 (SVMでの分類を例に) の手順で解説を進めます。 独自解釈も含まれるため、間違っている点等ございましたら指摘頂けると有難いです。 なお、文中のコードはこちらのGitHubにもアップロードしております。 2021/9/6追記:LightGBMのチューニング実行例追加 以下の記事に、Ligh
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