手始めにいくつかのデータを触ってみましょう。データとして Iris データセットとして知られす、とても単純な花のデータベースを使いましょう。 150 のアヤメの花の測定値があります: sepal length, sepal width, petal length そして petal width で Iris setosa Iris versicolor Iris virginica それぞれの品種毎に。 データセットを Python オブジェクトとして読み込みましょう:

「機械学習」というワードになんとなく惹かれつつも、具体的にやりたいことがあるわけでもないので、手を動かすことなくただひたすら**「いつかやる」**ために解説記事やチュートリアル記事を集める日々を過ごしていたのですが、このままじゃイカン！と Machine Learning Advent Calendar に参加登録してみました。 が、やはり何もしないまま当日を迎えてしまったので、お茶濁しではありますが、せめて「機械学習ってどんな手法やライブラリがあって、どんな応用先があるのか？」というあたりをざっくり把握して最初に何をやるのか方向付けをするためにも、たまりにたまった機械学習系の記事をいったん整理してみようと思います。 #機械学習の概要 特定のライブラリや手法の話ではなく、機械学習全般に関する解説。 ##機械学習チュートリアル@Jubatus Casual Talks 冒頭に、 初めて機械学

主観的な観点からPythonとRの比較した記事は山ほどあります。それらに私たちの意見を追加する形でこの記事を書きますが、今回はこの2つの言語をより客観的な目線で見ていきたいと思います。PythonとRを比較をしていき、同じ結果を引き出すためにはそれぞれどんなコードが必要なのかを提示していきます。こうすることで、推測ではなく、それぞれの言語の強みと弱みの両者をしっかりと理解できます。 Dataquest では、PythonとRの両方の言語のレッスンを行っていますが、データサイエンスのツールキットの中では両者ともそれぞれに適所があります。 この記事では、NBA選手の2013/2014年シーズンの活躍を分析したデータセットを解析していきます。ファイルは ここ からダウンロードしてください。解析はまずPythonとRのコードを示してから、その後に2つの異なるアプローチを解説し議論していきます。つま

場所について 汐留住友ビル 16階 地図： https://goo.gl/6pYUZB 会場へは1Fよりエレベーターで16階に上がってください。 （2Fのエレベーター入り口は関係者のみ使用可なのでご注意ください） 16Fに上がりましたら、エレベーターホールを右にに曲がって突き当たりが会場入り口です。 会場への入場については開始時間から10分前、5分前、0分前の3回当イベント管理者メンバーが ご案内させていただく予定です。会場入口ドア付近でお待ちください。 遅れて参加される場合はハッシュタグ #stats_study をつけて、到着した時にご連絡下さい。 ピックアップに向かいます。 会場アクセス ゆりかもめ線「汐留駅」（徒歩1分） 都営大江戸線「汐留駅」（徒歩1分） JR線・東京メトロ銀座線「新橋駅」（徒歩13分） 都営浅草線「新橋駅」（徒歩10分） 懇親会について 発表後少し質疑応答時間を

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

matplotlibでヒストグラムを作ってみたのでメモ。 matplotlibを使えばヒストグラムが非常に簡単に作れます。gnuplotよりもおすすめです。 plt.histに配列を与えればそれだけでヒストグラムにしてくれます。 まず乱数で平均１、分散１のガウシアンの分布を発生させてみます。最近知ったんですがpythonのrandomはメルセンヌツイスタで発生させてくれているそうです。さすが気が利いてますね(Cのrandとは・・・）。 最も簡単にやろうと思えばplt.hist(配列,binの数)を指定するだけで書けますが一応オプションの説明をします。 bins : ビンの数 range : ビンの範囲（デフォルトは配列の最小値と最大値) alpha : 透過率 weight : 重み(第一引数と同じサイズの配列を与えて、重みを付けます。ヒストグラムなので通常１の重みを持つわけですが、配列に

wikipedia:正規分布の図を参考に。正規分布（の理論値）はGnuplotやRのプロッタなど新しいツールを使うさい初めに描くことにしている。変数の名前があまり可愛くない。 import numpy as np from matplotlib import pyplot as plt sigmas = [0.2, 1.0, 5.0, 0.5] myus = [0, 0, 0, -2] x = np.arange(-5., 5., 0.001) for v in zip(sigmas,myus): y = (1./np.sqrt(2*np.pi*v[0])) * np.exp(-(x - v[1])**2/2/v[0]) plt.plot(x, y) plt.show()

[多次元標準正規乱数] numpyには乱数を扱うパッケージnumpy.randomがある。この中にあるnumpy.random.randnは(多次元)標準正規乱数を生成する。(dは次元) # import packages import numpy as np from matplotlib import pyplot as plt # generate 10,000 random numbers who are drawn from 2d standard normal distribution X = np.randn(10000,2) # its covariance matrix is almost identity np.cov(X.T) # see the scatter plot plt.plot(X[:,0],X[:,1]) plt.show() [多次元正規乱数] では各

2014-04-07 pythonの乱数いろいろ Python pythonの乱数 python の乱数といえば、random.random()やrandom.randint()をよく利用しますが、randomにはもっとたくさんの乱数生成手法があります。まとめてみましょう。 http://docs.python.org/3.2/library/random.html より On the real line, there are functions to compute uniform, normal (Gaussian), lognormal, negative exponential, gamma, and beta distributions. For generating distributions of angles, the von Mises distribution is a

数式をnumpyに落としこむコツ View more presentations from Shuyo Nakatani という発表を Tokyo.SciPy #2 でさせてもらったのだが、発表＆資料作成の時間の関係で、実際に数式を解釈する例を2つしか入れられなかったのが残念なところ。 今、社内 PRML 読書会で 13章の隠れマルコフをやっつけていて、その Baum-Welch の更新式がちょうどいい題材になっていることに気付いたので、ここで取り上げてみる。 (PRML 式 13.36) 結構複雑な印象のある数式だが、こいつも資料の流れに従えば簡単に実装できてしまうことを見ていこう。 数式を読み解く 数式を書き換える numpy に「逐語訳」する というわけでまず「読み解き」だが、これが一番重要なステップ。 特に今回の式の場合は , , の正体をちゃんと見極めておかないといけない。 「正

Tokyo.SciPy #2 にて発表した、数式(あるいは数式入りのアルゴリズム)から実装に落とす場合、何に気をつけるのか、どう考えればいいのか、というお話。 対象は、どうやって数式をプログラムすればいいかよくわからない人、ちょっとややこしい数式になると四苦八苦してしまい、コードに落とすのにすごく時間がかかってしまう人、など。 ここでは実行速度についてはひとまずおいといて、簡潔で間違いにくい、ちゃんと動くコードを書くことを目標にしています。 Read less

目的 統計学のとても基本的な概念のおさらいと、基本的な時系列解析に関しての復習を行うこと 当時はRで学習していたのだが、Rの新しいラブラリや、pythonのpandasやmatpltlibに関して、もうちょっと慣れること 手段 pythonによるデータ解析入門とRによる時系列分析入門を用いる 練習用のサンプルデータとして、以下の株価データを使用する https://github.com/pydata/pydata-book/blob/master/ch09/stock_px.csv 何はともあれ、描画をしてみる pythonの場合 stock_draw なるほど、確かに描画が出来た。 Rの場合 timeseries data なるほど、確かに描画が出来た。 ここまでは、時系列のデータを描画する。いわゆる、ビジュアライゼーションである。 さて、ここからが解析にまつわる疑問である... pyt

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? #!/usr/bin/env python # -*- coding: utf-8 -*- # インポート import numpy as np import scipy as py import pandas as pd import itertools as it ''' 作成 ''' # リスト作成 list_value = [10,11,12] list_value Out[374]: [10, 11, 12] # タプル作成 tuple_value = (10,11,12) tuple_value Out[375]: (10,

機械学習のデータとして特徴量を作るときの注意点や悩むことなどをメモっておきました。 間違いなどが含まれているかもしれません。 基本的な内容ですので調べればもっと適切なやり方があると思います。 カテゴリカル・データ カテゴリカル・データというのは、いくつかの限られた種類の値をとり、その大小関係に意味が無いものです。 質的データとか名義尺度とか呼ばれることもあります。 例えば都道府県のデータを考えた時に、北海道と沖縄は違う値ですが、その大小関係は定義できません。 (もちろん北海道と沖縄に面積的な大小関係などはありますが、欲しい情報ではないとします) カテゴリカル・データを特徴量にするときにはカテゴリーごとにその特徴であるかどうかの二値にするとよいと言われています 以下に例を示します。それぞれの列がデータごとの特徴量を表していると考えてください 北海道:1 沖縄:0 東京:0 北海道:0 沖縄:

はじめに Python で機械学習する場合、pandas で前処理したデータを scikit-learn で処理する、というケースが多いと思う。pandas, scikit-learn には それぞれ 簡単にできる / できない処理があるので、うまいこと連携できるとうれしい。 scikit-learn の各メソッドは numpy.ndarray に対する処理を前提にしているため、pandas のデータ形式 (DataFrame や Series) を渡すと 内部で ndarray に変換して結果を返してくる。そのため、結果に対して 直接 pandas の処理を続けることはできない。 ndarray で処理すりゃいいじゃん、、というむきもあるが、自分はどうしても pandas で処理がしたいんだ。とりあえず、pandas のデータをできるだけ維持したい、というモチベーションがあるものとして処

この記事の対象者 プロジェクトでテストを書いている。(書いたことある) テストが重要らしい事は知っているが、テストの恩恵をそこまで実感できていない。 結局手動テストに依存したバグフィックスをしている。 はじめに 私はテストの設計手法、実装に関する知識は多く持っていましたが、知らなかったことはテストの考え方でした。 テストが重要らしいことを知っている人は多いと思います。 しかし、実際に恩恵を実感できていない人もいると思います。 事実、 テストが重要だと発信している人 と、 テストが重要らしいことを知っている人がいます。 後者の人は、とりあえずテストを書く事ができます。しかし、テストに時間を割く割りに、最終的には手動テストでバグを発見することに依存している事も多いかなと感じます。 世間ではテスト書くのが当たり前、テストは重要！という風潮であるのに、何故テストが重要であると実感できないのでしょう

数え上げ系の DP について説明する。 この記事は DP 初心者を対象にしている。DP やるだけみたいなことを一度でも考えたことがある人は対象にしていない。 例題 次の問題を考えてみよう。 N 桁以下の 3 の倍数はいくつあるか。 N が小さければ全列挙できる。i 桁の数がすべて列挙できていれば、その後ろに 0～9 を付け足せば i+1 桁の数をすべて列挙できることを使う。 dp[i] := leading zero を含めて i 桁のすべての非負整数の集合 #include <iostream> #include <string> #include <vector> using namespace std; int modulo(string s, int mod) { int ret = 0; for (char c : s) ret = (ret * 10 + (c - '0'))

プログラミングでコードを書くときは、99．9%英語を使いますよね。 クラス名やメソッド名をつけるのにも、欠かせません。 ですが、他人が書いたプログラムを見たとき、あなたはそこに書かれている英単語の意味を本当に理解していますか？ 知らない単語が混じっていて、困惑したことはありませんか？ fetch、acquire、retrieve…。 「よく分からないけど、まあいいや」ではすまされない！ コードの破綻を防ぐためにも、ここでばっちり、知らなかった英単語の意味をマスターしていきましょう！ 機種変更では、このような失敗をする方がとても多いです。 有料オプションを契約させられ料金が高くなった。。 待ち時間や契約時間が長くて、半日かかってしまった。。 キャンペーンや割引がきちんと適用されていなかった。。 スマホを乗り換えるときには、 → おとくケータイで乗り換えキャッシュバックをもらう で乗り換えをす

2. 自己紹介 秋葉 拓哉 / @iwiwi • 所属：東大 CS M2 (今井研) → DC1 (来年) • PFI：インターン (2009) → バイト (夜研等) • 元プログラミングコンテスト中毒者 – TopCoder レーティング：3180 (世界で 12 位) • 研究：大規模グラフのアルゴリズム – 最短経路クエリ，コミュニティ検出，…… 1 3. 現実世界のグラフを対象とした研究 複雑ネットワーク理論 (物理系) ウェブ系 データマイニング系 (WWW, WSDM, …) (KDD, SDM, ICDM, …) ・モデル化 ・コミュニティ検出 ・コミュニティ検出 データベース系 ・リンク予測 (SIGMOD, VLDB, ICDE, …) ・グラフクエリ処理 生物情報系 ネットワーク系 ・接続性 (INFOCOM, SIGCOMM, …) ・最適化 ハイパフォーマンス系

概要 軽くクラスタリングをする用事があったので、scikit-learnで記述した。 それをサンプルコードに落としたものを貼っておく。 テストデータの生成 位置をずらしつつrandomでデータを生成してみる。 import numpy as np import pylab as pl from sklearn.cluster import KMeans # 傾向の違う3つの点を描画 n0 = np.random.normal(loc=0.0, scale=0.5, size=(50, 2)) n1 = np.random.normal(loc=-2.0, scale=0.5, size=(50, 2)) n2 = np.random.normal(loc=2.0, scale=0.5, size=(50, 2)) # plotして確認 pl.scatter( n0[:, 0], n0[:,

クラスタリングの概要 実装根拠は以下を参照してください。 K-means++ K-means 英語ですけど日本語のページより情報量が多くまた厳密性があると思います。 scikit-learn の概要 Python で機械学習のあれこれをできる超便利なライブラリです。この辺を読んでください。 scikit-learn scikit-learn の紹介 前提 入力ファイルとして文字列ごとに改行で区切られたテキストファイルを想定します。 使い方としては python clustering.py input.txt output.txt のように引数に入出力ファイルを指定します。 途中 print() で途中結果を表示しています。 出力ファイルにクラスタリング後のデータが出力されます。 ぜひ適当なテキストファイルを用意して実際に動かしてみてください。 実装 コード全体は以下の通りです。 clust

昨今よく耳にするキーワード「ソーシャルグラフ」。その可能性・活用方法について様々な企業に注目されています。今回はその「ソーシャルグラフ」を「どうすればクラスタリングできるのか？」という観点で、グラフに対するクラスタリングの基礎を説明いたします。また、具体的なクラスタリング手法として Newman アルゴリズムをご紹介いたします。Read less

クラスタリング (clustering) とは，分類対象の集合を，内的結合 (internal cohesion) と外的分離 (external isolation) が達成されるような部分集合に分割すること [Everitt 93, 大橋 85] です．統計解析や多変量解析の分野ではクラスター分析 (cluster analysis) とも呼ばれ，基本的なデータ解析手法としてデータマイニングでも頻繁に利用されています． 分割後の各部分集合はクラスタと呼ばれます．分割の方法にも幾つかの種類があり，全ての分類対象がちょうど一つだけのクラスタの要素となる場合(ハードなもしくは，クリスプなクラスタといいます)や，逆に一つのクラスタが複数のクラスタに同時に部分的に所属する場合(ソフト，または，ファジィなクラスタといいます)があります．ここでは前者のハードな場合のクラスタリングについて述べます．

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

GitHub Repository git@github.com:akinomyoga/ble.sh 2018-03-15 ble-0.2.0 Release: vi/vim editing mode に対応しました。 2019-07-10 ble-0.3.0 Release: 補完機能を大幅に拡張しました。 こんにちは! GNU Bash (bash) で fish や zsh-syntax-highlighting の様に、入力したコマンドラインをその場で色付けする自作の枠組みを紹介します。また、実現方法 (特に bind -x) について簡単に説明します。 この記事は Shell Script AdC 2015 6日目の記事です。 AdC 5日目 は @yasuto777 さんの "気を付けて！！Bashとzshの微妙な違い" でした。"bash ⊂ zsh" の様に聞いて zsh

生成したデータのクラスは、二通りあります (グラフ上の赤と青の点)。例えば、青い点を男性、赤い点を女性の患者データサンプルとして、XとY軸を特定の測定数値と考えてみてください。 私達の目標は分類モデルを機械学習させて、サンプルポイント毎に正しいクラスを予測して与えることです。注意しないといけないのは、このデータは直線では分類が不可能であるという点です。そのため、ロジスティック回帰のようなLinear Classifiers (線形分類器)では、多項式などNon-linear features (非線形特性)を自分で作るなどしない限り、良いモデルを作ることはできません。ただし、今回のデータに関しては、多項式特性を率いれば良いモデルを作ることは可能です。 ニューラルネットワークを率いれば、この問題を解決できます。なぜならFeature Engineering (特性エンジニアリング)をする必要

はじめに 昨今、大抵のLinuxディストリビューションにおいては、Systemdが標準採用されています。 ディストリビューションによって提供されているパッケージを使うだけなら、（通常はすでに適切に設定済みのため）普段それほどサービスの依存関係を意識することはありません。 しかし、独自に開発したソフトウェアをサービスとして動かしたりするときには、サービスの依存関係を正しく指定しないと意図したように動作しないという問題に遭遇することがあります。 今回はそんなときに便利なサービスの依存関係を調べる方法を紹介します。 実際のサービスの起動順序を確認するには まず、意図した順序でサービスが起動しているか調べるには、systemd-analyzeコマンドを使います。 systemd-analyzeにオプションを何も指定しないと、次のように起動にどれだけかかったかを表示します。1 % systemd-a

ウェブAPIやオープンデータとして公開されているリソースの提供形式としてXMLやJSONが利用されることが多い。RでXMLやJSONなどの構造式のファイルを読み込むことは簡単だが、だいたいのパッケージで読み込んだオブジェクトはリストになっている。リストクラスオブジェクトは、構造を把握するのが難しく操作がしにくい。リストデータに対して処理を行う{lambdaR}や{rlist}、{purrr}を使うためにはその構造を理解していることが前提である。 というわけで気楽にファイルの構造を把握したい。そこでboB Rudis作成の📦パッケージとRStudioを利用する。{xmlview}と{jsonview}はそれぞれXML、JSON形式のファイルを読み込んだ後にRStudio上で階層構造を見やすく表示するためのパッケージである。 🤖 使い方 ２つのパッケージの働きは類似している。対象のXML、

概要 Modeling Intransitivity in Matchup and Comparison Data (WSDM 2016)(pdf) 二人のプレイヤーが戦い，勝敗が決まるゲームのモデリングにおいては通常，各プレイヤーの強さは一元的である．よって，推定されたモデルでは推移律が成立する(aがbより，bがcより強いならば，aはcより強い，といった関係)． この研究では，intransitivity(反推移性) を導入し，3すくみの関係をモデリングする(例 : じゃんけんの手)． 提案手法 : blade-chest-dist-model モデルは非常にシンプル． まず，ベースとして Bradley-Terry model (BTモデル) を用いる． これは，プレイヤーa，bについて とする． これは，プレイヤーごとの強さがあり，一方が勝つ確率は強さの差に比例する，というモデル．

Your Cart tells You: Inferring Demographic Attributes from Purchase Data(pdf) 概要 購買履歴からユーザの属性(年齢，性別，結婚状況，収入，学歴)を同時に推定する． つまり，複数の属性を同時に推定する multi-task multi-class prediction に取り組む． 手法 : Structured Neural Embedding (SNE) 至ってシンプル． ユーザ が購買した商品を bag-of-items として持つ また， の属性を 1-hot encoding する 例えば，性別が二種類，年齢が四種類，結婚状況が二種類だとしたらそれぞれをラベル数だけのベクトルとしてみなす その上で2+4+2次元のベクトルをすべてつなげて8次元のベクトル にする 各商品を 次元に embedding する

2016/1/16 "第50回 データマイニング+WEB ＠東京( #TokyoWebmining 50th ) ー機械学習 実活用 祭りー" を開催しました。 第50回 データマイニング+WEB ＠東京( #TokyoWebmining 50th ) ー機械学習 方法論 祭りーEventbrite Google グループ 会場提供し運営を手伝って下さった FreakOut のみなさん、どうもありがとうございました。素敵なトークを提供してくれた講師メンバーに感謝します。多くの方々の参加を嬉しく思っています。 参加者ID・バックグラウンド一覧 参加者セキココ：第50回 データマイニング+WEB ＠東京 セキココ (作成してくれた [Twitter:@komiya_atsushi] さんに感謝） 以下、全講師資料、関連資料、ツイートまとめです。 AGENDA： ■Opening Talk： O

3D 地図を表示する JavaScript ライブラリである Cesium.js を Python から簡単に使いたい。Cesium.js についてはこちらを。 sinhrks.hatenablog.com 上に記載した方法は、可視化したい内容に応じて JavaScript のテンプレートを作成し、Python からデータを埋め込むというものだった。が、都度 テンプレートを作るのはさっと可視化したい場合にはめんどくさい。 ということでこれを Python のみ / JavaScript なしで利用できるパッケージを書いた。 github.com 使い方 サンプルデータは前と同じく こちらのエントリのものを利用する。作成した DataFrame は変数 df に入っているとする。 Python pandas + folium で Leaflet をもっと使いたい - StatsFragmen

e-Stat とは "「政府統計の総合窓口（e-Stat）」は、各府省が公表する統計データを一つにまとめ、統計データの検索をはじめとした、さまざまな機能を備えた政府統計のポータルサイト" だそうだ。このデータを pandas で読めるとうれしい...ということで対応した。 github.com インストール $ pip install japandas パッケージのインポート import numpy as np np.__version__ # '1.10.2' import pandas as pd pd.__version__ # u'0.17.1' import japandas as jpd jpd.__version__ # '0.2.0' アプリケーション ID の取得 e-Stat を利用するには 利用登録とアプリケーション ID の取得が必要。利用ガイドに沿って登録する。

データの前処理にはいくつかの工程がある。書籍「データ分析プロセス」には 欠損など 前処理に必要なデータ特性の考慮とその対処方法が詳しく記載されている。 が、書籍のサンプルは R なので、Python でどうやればよいかよく分からない。同じことを pandas でやりたい。 データ分析プロセス (シリーズ Useful R 2) 作者: 福島真太朗,金明哲出版社/メーカー: 共立出版発売日: 2015/06/25メディア: 単行本この商品を含むブログ (2件) を見る とはいえ、pandas 自身は統計的 / 機械学習的な前処理手法は持っていない。また Python には R と比べると統計的な前処理手法のパッケージは少なく、自分で実装しないと使えない方法も多い。ここではそういった方法は省略し、pandas でできる前処理 / 可視化を中心に書く。 また、方法自体の説明は記載しないので、詳細

先日参加させていただいた Japan.R でこんな話を聞いた。 RPubs - leafletではじめるRによる地図プロット Python でも folium というパッケージを使うと JavaScript を書かなくても Leaflet.js の一部機能が使えるのだがあまり情報がない。上の資料に書いてあるようなことが folium でもできるのか調べたい。 folium については前にこんなエントリを書いた。 sinhrks.hatenablog.com データの準備 import numpy as np np.__version__ # '1.10.2' import pandas as pd pd.__version__ # u'0.17.1' サンプルデータとして Wikipedia にある アメリカの国立公園 のデータを使う。まずは pd.read_html でデータを読みこむ。

2. 2 Amazon EMR - 1クリックでHadoop/Spark • 分散処理基盤 – クラスタを簡単に構築 して破棄 • 分散処理アプリ – 使いたいアプリを選ぶ だけ • Hadoop 2.7.1 • Hive 1.0.0 • Pig 0.14.0 • Mahout 0.11.0 • Oozie 4.2.0 • Spark 1.6.0 • Presto 0.130 • Zeppelin 0.5.5 • Hue 3.7.1更新の速い(ほぼ月1ペース) ディストリビューション 3. 3 Amazon EMR - 1クリックでHadoop/Spark • 分散処理基盤 – クラスタを簡単に構築 して破棄 • 分散処理アプリ – 使いたいアプリを選ぶ だけ • Hadoop 2.7.1 • Hive 1.0.0 • Pig 0.14.0 • Mahout 0.11.0 • Oozie

1. 新郷 美紀 NEC 蒋 逸峰 Solutions Engineer, Hortonworks ビッグデータ可視化 の性能を徹底検証 〜SparkSQL、Hive on Tez、Hive LLAPを用いた既存RDBデータ 処理の特徴〜 2. Agenda • 初めに • 背景 • クラウドDWH と Hiveとの比較 • 性能改善 – SparkSQL – Hive on Tez – Hive LLAP • まとめ Page. 2

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 最近では珍しくもなくなった"Quorum"という言葉。Zookeeper, etcd, Serfといったクラスタ中でデータのレプリケーションを行ってくれるようなツールや、Cassandra, Riakといった分散データベース(NoSQL系)のようなツールにおいても、データの複製に一貫性を持たせる仕組みとしてよく聞かれます。 しかしながら、多くのスライドやWebの記事を読んでも、"Quorum"という語が意味するところは要するに「過半数ノードによる多数決」というような説明が多いように感じていました。 にも関わらず、"Quorum"と呼ばれ

webservers.ymlの修正 webservers.ymlを修正し、ロールにこれから作成するwebtierを追加します。 webservers.yml --- - hosts: webservers roles: - common - webtier webtierロールの作成 WordPressを動かすために必要なウェブサーバの設定を行うロールとして作成していきます。 httpdの追加 commonロールと同じ要領で作っていきましょう。 roles/webtier/tasks/main.yml yumでApacheをインストールし起動します。 --- # httpd - name: httpd is installed yum: pkg=httpd state=installed tags: httpd - name: httpd is runnning and enabled s

はじめに JavaScriptは如何にしてAsync/Awaitを獲得したのか - がおさんち 技術部屋 ※事前に↑の記事は読まなくても大丈夫です という記事を、以前に個人ブログの方に書いたのですが、私も今年からはQiita始めたので、この記事をリファインして再度書いてみようと思います。 また、この記事では↑の記事では書ききれなかった話もいくつか増やしています。 例えば、不定回数実行されるPromiseの話だとか、非同期処理における例外処理周りの面倒くさい話だとか。 そういうちょっとだけ高度な話も混ぜつづ、前回書いたものよりもクオリティを上げるのを目標にします。それではいきます。 第一章　～人類はsetTimeoutを採用しました～ 古代のJavaScriptで、以下のような処理をしたい場合、どうしていたでしょうか。 ブラウザ更新直後に『a』を表示し、その2秒後に『b』を表示し、更にその1

1. Copyright 2015 FUJITSU LIMITED [3-1] Javaの関数型言語への挑戦／ ベターオブジェクト指向言語からの脱皮 ２０１５年４月８日 富士通株式会社 数村 憲治 Java Day Tokyo 2015 2. Copyright 2015 FUJITSU LIMITED  関数型言語とは  Javaと関数型言語  関数型言語の特徴 参照透過性 再帰 ストリーム 遅延評価  ストリームで注意すべきこと  Javaにおける並列プログラミングの実力 アジェンダ 1