Visual Studio CodeとWSL（またはWSL2）を使ってWindows上にLinux開発環境を構築する方法 すでに何個か記事が出ていて今更感もありますが、環境構築で使うことがあったので備忘録として残しておきます。リモートといってもリモートSSHなどとは異なり、「ローカルPC上のWSLに同じローカルWindows上のVScodeからリモート接続する」という意味です。これを使ってローカルに簡単にLinux開発環境を構築することができます。 VSCode Remote WSLでPython開発環境構築 VSCodeのRemote WSLでWSLを快適に使う WSLとは？ まず、WSLが何か知らない方のためですが、WSL(Windows Subsystem for Linux)とは簡単に言うと、 Windows上でLinuxを動かすための機能のことです。 そういうと、Virtualb

詳細：https://fumimaker.hatenablog.com/entry/2020/07/09/031834 電子工作を始めるために必要な基礎知識をまとめました。本書では、電気の基礎からアナログ回路、デジタル回路、マイコンの初歩までを網羅しています。初歩的なことしか書いていないので、教科書や…

大学へ通う電車の中で、論文を読んでいる人を昔よく見かけた。 その頃まだ学生だった私は、そんな人たちを見つけては、「卒論の時期だな」とか、「ゼミ発表が近いのかもしれない」と、論文読んでる理由を勝手に想像してた。 「なにも電車の中で読まなくてもいいのに」と思った。 その頃の私にとって、論文を読むことは勉強だった。 電車の中で勉強している高校生をみて「たいへんだな」と思う感じ。 でも今の私には、あの人たちの気持ちがわかる気がする。 電車の中で論文読みながら、たまにニヤニヤしてた人たちの気持ちが。 論文が読めない理由 論文を読むことを教えてもらったのは、大学４年のときだった。 卒業研究のために配属された研究室で、週に一度「論文を読む会」があった。 いつも火曜日の夕方に、みんなでせまいミーティングルームに集まった。 毎回、学生の誰かが論文をプリントして配り、タイトルから読んでいく。 英語を一文読んで

すべての経済活動を、デジタル化する。ソフトウェアテクノロジーをもとに、「新たな経済基盤」をつくりだす。それは、業務や生産をはじめとした経済活動の摩擦を解消し、この国の課題である生産性向上を実現する。私たちは、そう信じて行動し続けます。

こんにちは！メルカン編集部のnatukifmです。 2020年6月23日、メルカリでは、全社的なコミュニケーションツールとして導入しているSlackの社内利用ガイドラインをGitHubにて公開しました〜！ Slack上での情報共有や連絡を円滑にするため、2016年につくられた本ガイドライン。細かな改定を重ねられてきたものの、2016年当時からほぼ変わっていなかったりします。 そこで本日の#メルカリな日々では、社外公開したばかりのメルカリ社内Slack利用ガイドラインをちらっとご紹介します！ Slackを使ううえでの前提 1：オープンであることを意識する ・ プライベートメッセージやプライベートチャンネルの利用は禁止しないが、人事・インサイダー情報以外は、コミュニケーションコストの低減と、風通しが良くオープンである社風を維持するために基本的にオープンにする ・ チャンネルへのinvite/l

やったこと Zabbix5.0で追加されたRedmineのWebhookを使って、障害チケットを自動起票させました。 スクリプトを書く必要がなく、とても便利でした。 環境 Versions OS Zabbix5.0 Amazon Linux 2 Redmine3.4 centos7.7 1.Zabbixの構築 先日の記事の環境を使用します。 監視対象のNW機器も追加されている状態です。 https://mitomito.hatenablog.jp/entry/2020/06/20/070000 2.Redmineの構築 公式から辿るとPlaybookが用意されていたので、ansibleで構築しました。 https://github.com/farend/redmine-centos-ansible 3.Redmaineの設定 初期設定は公式を参考にします。 https://redmine.

研究員の @zaimy です。ペパボ研究所では、自社が運営するウェブサービスのユーザーの行動ログや属性情報を収集・分析・活用するための全社基盤「Bigfoot」を技術基盤チームと協力して開発・運用しています。 Treasure Data をバックエンドとして2016年に運用を開始したこのシステムを、今年 Google Cloud Platform（以下 GCP）を中心とした構成に移設しました。この記事では移設に至った理由、移設時の工夫、移設後の構成などについてお話します。 目次 Bigfoot とは 移設前の構成と移設に至った経緯 GCP の選定理由 BigQuery の存在 AI Platform の存在 コスト 移設時の工夫 データウェアハウスの並行運用 ワークフローの二段階移行 行動ログのスキーマ設計 移設後の構成 bigfoot/platform bigfoot/cloud-com

Open Source Open sourcing Kube2Hadoop: Secure access to HDFS from Kubernetes Co-authors: Cong Gu, Abin Shahab, Chen Qiang, and Keqiu Hu Editor's note: This blog has been updated. LinkedIn AI has been traditionally Hadoop/YARN based, and we operate one of the world’s largest Hadoop data lakes, with over 4,500 users and 500PB of data. In the last few years, Kubernetes has also become very popular at

言語処理100本ノック 2020 (Rev 2) 言語処理100本ノックは，実用的でワクワクするような課題に取り組みながら，プログラミング，データ分析，研究のスキルを楽しく習得することを目指した問題集です． 詳細 ツイート

You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert

You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert

AWS Machine Learning Blog Implementing hyperparameter optimization with Optuna on Amazon SageMaker Preferred Networks (PFN) released the first major version of their open-source hyperparameter optimization (HPO) framework Optuna in January 2020, which has an eager API. This post introduces a method for HPO using Optuna and its reference architecture in Amazon SageMaker. Amazon SageMaker supports v

この記事では、lightline.vimの導入・設定に戸惑っている皆さんのために、コピペで使える設定を教えます. 特に、lightline.vimのGitHubページが英語でよく分からないよ、という方を想定しています. GitHubページ或いはヘルプファイルを読んで分かる方は、この記事は読まなくても構いません.もし既に設定している方でも、LightlineFilenameにおかしいところがあると思いますので、必ずこのエントリーの関数を用いて下さい. (ドキュメントも私の.vimrcもexpandの引数を間違っていました) ステップ1: インストール lightlineは現在、GitHubからのみ入手できます。 itchyny/lightline.vim - GitHub インストール方法は、あなたが他のプラグインをどのようにインストールしているかによって異なります。 NeoBundle N

去年末に日本に帰国した際、ありがたいことに多くの方から因果推論に関するレクチャーの依頼をいただきました。 本当はこの春にも帰国してトーク予定だったのですが、コロナ渦でタイミングを逸したので思い切って講義資料を公開することにしました。 ツイッター上でのこんな話題もきっかけで・・・ これを意識するだけで（少なくとも医学・公衆衛生領域における）回帰分析ユーザーの大部分の結果の解釈やモデルに対する向き合い方が変わると思っています。日本で修士までとったけど、自分は留学するまで知らんかった。 去年末、一時帰国中にやった因果推論ワークショップ中でも触れました。 https://t.co/jEsu5WDPLx pic.twitter.com/LmidBTMQlw — KRSK (@koro485) May 27, 2020 内容はこんな感じです なんとなく回帰分析を使って「調整」をしてました、くらいの統計

この記事のモチベーション 昨年、生産技術職からデータ分析業に転職し、Pythonを書く機会が多くなりました。今は機械学習用の前処理ツールを開発する案件に携わっています。そんな中、生産技術者として働いていた時のことを顧みると自動化できた作業が色々あったなーと思いました。転職後に得たPythonの知識と生産技術者時代の知見を踏まえて、再び製造現場で働く際に使えそうなネタを記載します。同じようなニーズに直面している方の参考にもなれば幸いです。 本記事は既存技術を組み合わせてこうしたら良さそう！ということを記載したものであり、技術的に目新しいことがない点を初めに断っておきます。 自動化する内容 生産技術者として働いていた時に工程から出てくるデータを1日の終わりに集約するという作業がありました。製造装置のログや検査結果を製品ごとにcsvファイルで保存し、1日の終わりに集約してその日の進捗率や不良率を