はじめに 今年は複数人でいっしょにPythonを使って開発を行う機会があったのですが，そのときに導入したPipenvがいい感じでしたので一通りの基本操作についてまとめてみようと思います．個人での開発でも有効だと思いますが，複数人で開発するときに便利かなと感じたところも多かったので，そういう視点も入れながらまとめてみました． ※個人的にチームでの開発でよかった内容にをつけています． Pipenvとは Pythonで開発するときに，プロジェクト毎のパッケージ管理や仮想環境の構築を簡単に自動で行ってくれるツールです．Node.jsのnpmなんかを使ったことがあればイメージがわきやすいと思います． パッケージのインストールならpip，仮想環境の構築ならvirtualenv（venv）を使えば対応できますが，pipenvはそれらをまとめてより簡単に扱えるようサポートしてくれます．またnpm-scri

Python and JavaScript are two of the most popular programming languages. If you're a Python programmer learning JavaScript, or a JavaScript programmer learning Python, this handy cheat sheet might help you. This page is open sourced on GitHub. Pull requests are welcome! Star I'm Saya, a jewelry designer and a junior JavaScript/Python developer living in Tokyo. Find me on Twitter: @sayajewels If yo

機械学習モデルにおいて、人間によるチューニングが必要なパラメータをハイパーパラメータと呼ぶ。 ハイパーパラメータをチューニングするやり方は色々とある。 例えば、良さそうなパラメータの組み合わせを全て試すグリッドサーチや、無作為に試すランダムサーチなど。 今回は、それとはちょっと違ったベイズ最適化というやり方を試してみる。 ベイズ最適化では、過去の試行結果から次に何処を調べれば良いかを確率分布と獲得関数にもとづいて決める。 これにより、比較的少ない試行回数でより優れたハイパーパラメータが選べるとされる。 Python でベイズ最適化をするためのパッケージとしては Bayesian Optimization や skopt、GPyOpt などがある。 今回は、その中でも Bayesian Optimization を使ってみることにした。 使った環境は次の通り。 $ sw_vers Produ

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

概要 現在に至るまで、UnitTestの実行はvim-quickrunかC-Zで戻ってからターミナル叩いてた。 現状だとVimでテスト駆動開発するのにつらみがある。 テスト用の設定を作り込むときが来たのだ。 ちな実行するのはPythonのUnitTest 現状の問題点 :QuickRun QuickRunはテスト全体実行しかできない。と思う(テストランナーではないからね) 頑張ればできるのかもしれない。 時間のかかるテストとか遅いテストだと全体実行を何度もするのはつらい。一つのメソッドだけとかサクッとやりたい。 ターミナル実行 ターミナルに戻るのはだるい。 ターミナルでクラス単位やメソッド単位のテストを実行するには、パッケージ階層を打たなきゃいけない。つらい。 QuickFixでRedに飛びたいよね。ターミナルのエラー見る→Vim戻る→ターミナルにエラー見に戻るとか愚行だよね。 :make

はじめに Ruby on Railsといえば、言わずと知れたRuby製のWebフレームワークですよね。様々なスタートアップで採用されており、世界で最も人気のあるWebフレームワークの一つと言っても過言ではありません。私はこの一年、ほとんどこのRailsのみを使って開発をしてきました。 一方で、このRailsとよく対比されるのがPython製のWebフレームワーク、Djangoです。こちらも非常に人気があり、初心者向けにDjangoとRailsを比較したインターネット上の記事なども多く見受けられます。 こちらは自分には縁のないもの、と勝手に私は思ってきたのですが、先日から縁があって知人のDjangoプロジェクトをお手伝いしています。「RailsわかるならDjangoもわかるよ！」と言われて軽い気持ちで手伝い始めたのですが、触ってみると思った以上に違うところがたくさんありました。今回はその中の

最近は Python がデータ分析や機械学習の分野でも使われるようになってきた。 その影響もあって REPL や Jupyter Notebook 上でインタラクティブに作業することも増えたように感じる。 そんなとき、重い処理を走らせると一体いつ終わるのか分からず途方に暮れることもある。 今回紹介する tqdm は、走らせた処理の進捗状況をプログレスバーとして表示するためのパッケージ。 このパッケージ自体はかなり昔からあるんだけど、前述した通り利用環境の変化や連携するパッケージの増加によって便利さが増してきてる感じ。 使った環境は次の通り。 $ sw_vers ProductName: Mac OS X ProductVersion: 10.13.5 BuildVersion: 17F77 $ python -V Python 3.6.5 もくじ もくじ 下準備 基本的な使い方 panda

I’ve recently become obsessed with the sheer amount of development activity happening on sites like GitHub. As a first project on working with this data, I thought it would be fun to rank all the programming languages by counting how many people on GitHub use each language. I’m using the GitHub Archive and GHTorrent projects as data sources for this analysis. The GitHub Archive provides a record o

import tornado.wsgi import gevent.wsgi import pure_tornado application = tornado.wsgi.WSGIApplication([ (r"/", pure_tornado.MainHandler), ],**pure_tornado.settings) if __name__ == "__main__": server = gevent.wsgi.WSGIServer(('', 8888), application) server.serve_forever() ##2) "Websocket ready"なhttpサーバとしては使い所あり。 しかし、tornadoに関する数年前のエントリを見るに、WSGIサーバとしてGunicornやgeventなどと比較した記事が多い。GunicornやgeventなどのWSG

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

I also published a Jupyter notebook with the examples I describe in this post. When we published our Python coreference resolution package✨ last year, we got an amazing feedback from the community and people started to use it for many applications 📚, some very different from our original dialog use-case 👥. And we discovered that, while the speed was totally fine for dialog messages, it could be

Where’s _why? What Happened When One of the World’s Most Beloved Programmers Vanished. Where’s _why? What Happened When One of the World’s Most Beloved Programmers Vanished.

FullstackBuilding Modern Applications with Django and Vue.jsLearn ow to create a full-stack application with Django, Django REST framework, and Vue.js. Then, learn how to secure your REST API and the Vue.js frontend with Auth0. TL;DR: Throughout this article, you'll use Django, Django REST framework, and Vue.js to develop an application with a REST backend API and a Vue.js frontend. You will make

この記事について IoTっぽいことをやりたくて表示画面の方から作ってみました。 リアルタイム表示が可能なJavascriptのグラフ表示ライブラリを色々物色した結果、Epoch.jsが一番使いやすいという結論になりました。サンプルコードを書きつつEpoch.jsの使い方等についてまとめてみました。 サンプルコード See the Pen GQpbRR by okoppe8 (@okoppe8) on CodePen. スライダーの部分はIoT機器のPostのシミュレータです。 Epoch.js とは 公式：https://epochjs.github.io/epoch/ Epoch.jsは様々なグラフを生成するJavascriptライブラリです。同様の目的のメジャーなライブラリにChart.js、highchart.js、Google Chart Tools などがあります。 Epoch.

はじめに 始めまして、たなしょうです。皆さんは以下のようなワードを聞いたとき、何も見ずにその手法を解説することができますか？ ラグランジュの未定乗数法 EM アルゴリズム 隠れマルコフモデル (HMM) サポートベクトルマシン (SVM) 僕の場合何となくで理解しているものが多く、正直何も見ずに解説することはできません。色々な教科書、授業で触れているにも関わらず、です。これを克服ためには、アルゴリズムを実装するのが一番です。そこで今回は文章力及び実装力向上も兼ねて、コロナ社から出版されている自然言語処理シリーズの「言語処理のための機械学習入門」に登場する上記のようなアルゴリズムを実装し、コードの解説を Qiita に投稿していこうと思います。記事中でp.xx 例題○○ などと書いてある場合は特筆しない限り前述のページ数、例題を意味します。 実装は Jupyter Notebook 上で P

QiitaのAPIから投稿記事を取り出し、技術書籍を紹介している箇所を集計して、ランキングサイトを作った。作った本人が言うのも何だけど、できあがった技術書ランキングがやたらエンジニア指向で便利で面白いなー、と。 技術書ランキングをQiita記事の集計から作成した テック・ブック・ランク エンジニアにとって技術書の選定はまーまー苦労する。単なる発行部数ランキングでは「人気あるからって技術書として参考になるとはかぎらない」と、なってしまいがち。ブログでオススメされている書評なんかも参考にするが、結局それらは書評を書いた人の主観で書かれたのであって客観的指標にはなりえない。 そこで「Qiitaにある技術ブログ記事内で紹介されている書籍情報を集計すればひと味違った書籍ランキングになるのでは？」と考えた。 で、以下の条件に当てはまる本を「いい本」とした たくさんのQiita記事で紹介されている本 人

GoogleHomeにお願いしてiPhoneを探してもらいます。 今回はAppleが提供している「iPhoneを探す」を利用して、どこかに無くしたiPhoneから音を出してもらいます。そのため、iPhone側に特にアプリを入れる必要は無く、マナーモードでも音が鳴ります。 #■使用環境 GoogleHome → IFTTT → Beebotte → （Raspberry Pi +Node-RED）→pyicloud →iPhoneが鳴る 以下のサイト様を丸パクリしてNode-REDまで設定してます。 ・IFTTT から Raspberry Pi に指示を出す 以下参考サイト様に倣って、Beebotteから順番に設定していきます。 #各種設定 ##1. Beebotte ###①Channelの作成 「Create new」を選択し、必要事項を入力して「Create Channel」を選択しま

機械学習エンジニア界隈で話題沸騰となっているGoogle Colaboratory（グーグル・コラボレイトリー）。本記事では概要とGoogle Colabの知っておくべき基本的な使い方をまとめました！ すでに機械学習をやっている方や、これから機械学習を学んでみたいと考えている方で、下記のような事を感じたことはありませんか？ 「訓練やデータ処理をやるのにローカルPCだと処理に時間がかかりすぎる」 「機械学習用にクラウド環境を立てたけど…思ったより費用が高い」 「機械学習は色々とライブラリが多くて環境構築がしんどい」 もし一つでも当てはまるものがあれば、Google Colabがそんな悩みを解決してくれます！機械学習の開発環境の新基準となる可能性も高いGoogle Colab、概要や基本的な使い方をみていきましょう。 Google Colaboratoryとは？ Google Colab（略式

Lambda Function のローカル開発を考察したとき に、不十分だったタスクランナーの導入を今回やりました。make についての細かい解説は本稿では行いません。Lambda Function 開発の要件を満たすためにタスクランナーとしてどのような Makefile の書き方があるかを示します。 Lambda Function をテストし、デプロイするためのツールはありますが、 複数の Function を全部プロイしたり 逆にひとまとまりの Lambda だけデプロイしたり 環境を指定してデプロイしたり ということを考えると工夫が必要になります。そこで登場するのがタスクランナーです。たくさんのタスクランナーが候補としてあり、一長一短あるところ、make が要件を満たすのではないかということで Makefile を書いていきます。ちなみに私自身これまで Makefile を書いたこと