Pythonを学びたいと思って情報を探していると、動画講座や有料スクール、個人ブログなどが数多く見つかります。しかしその一方で、「どれが信頼できるのか分からない」「基礎を体系的に学べる教材が意外と少ない」と感じたことがある方も多いのではないでしょうか。 今回紹介するのは、筑波大学大学院 システム情報系 情報工学域教授・三谷純氏が公開しているPython学習用の教材スライドです。無料公開されているにもかかわらず、内容の密度が高く、独学者にとっても非常に価値の高い教材となっています。 昨年5月に公開した Python の教材スライドを大幅に更新しました。全309ページ。 ダウンロード自由にできますので、どうぞ。https://t.co/GgPMdugie2 pic.twitter.com/NP8LJtgG78 — 三谷 純 Jun MITANI (@jmitani) February 8, 2

はじめに この記事では、実際に私が使っているPythonを使った研究環境の構築方法を紹介します。 なぜ既存の方法ではダメなのか？ 従来のpipやvenv、black、flake8、mypy、Jupyter Notebookといったツールの組み合わせは、多くのPython開発者にとって馴染み深いものです。しかし、これらのツールには以下のような課題があります。 パフォーマンス: pipは依存関係の解決やパッケージのインストールに時間がかかることがあります。特に大規模なプロジェクトでは、環境構築に多くの時間を費やすことになります。型チェックツールmypyは実行速度が遅いため、開発の妨げになることがあります。 設定が複雑: フォーマッタであるblackやリンターであるflake8は、ツールが分かれているので設定が分散しがちで面倒です。 再現性の確保: Jupyter Notebookは便利ですが、

新人に「uv使いなよ」と言った手前、なぜ爆速なのか本気で調べてみた結果 最近、チームに入ってきた新入社員の環境構築を手伝っていたときのことです。 pip でライブラリを入れている彼を見て、私は反射的にこう言いました。 「あ、今は uv を使ったほうがいいよ。とにかく速いから」 素直に uv を導入して「うわっ、本当に一瞬ですね！」と驚く彼を見て満足した私ですが、デスクに戻ってふと冷や汗が出ました。 （……あれ？ 待てよ。なんで uv ってこんなに速いんだっけ？） 「Rust製だから」という定型句は知っています。でも、それだけで10倍以上も差が出るものなのか？ もし彼に「Rustだと具体的になにが違うんですか？」と突っ込まれたら、私は答えられるだろうか？ 先輩風を吹かせた手前、これはマズい。そう思って慌てて調べてみると、uvの速さの秘密は単なるプログラミング言語の違いではなく、 「Pytho

この記事は「Hacobell Developers Advent Calendar」ー 8日目の記事です。 はじめに 「あの言語の並行処理って、結局どう動くんだっけ？」 日々の開発業務に追われる中で、ふと立ち止まってしまうことはありませんか？現代のアプリケーション開発において、マルチコアCPUの性能を最大限に引き出し、ユーザーに快適なレスポンスを返すために並行処理の理解は不可欠です。 しかし、使用する言語によって、そのアプローチや内部的な挙動は驚くほど異なります。 本記事では、Node.js, Python, Ruby, Goをピックアップし、それぞれの並行処理モデルが「CPUバウンドなタスク」と「I/Oバウンドなタスク」に対してどのように振る舞うのか、具体的なコード例を交えながらその違いを再整理します。 対象読者 本記事は以下のような方を想定しています。 複数の言語を日常的に使用している

はじめに ども！前回「DevContainer と uv で構築する爆速 Python 開発環境」という記事を書いた龍ちゃんです。 この記事を社内で報告したところ、上司から「リンターとフォーマッターは何を使っているの？」という質問をいただきました。確かに、せっかくパッケージマネージャーに uv を採用しているなら、同じ Astral 社が開発している Ruff で統一した方が良いですよね！ ということで今回は、uv + Ruff で統一した Python 開発環境を構築してみました。さらに、ベースイメージも見直すことで、イメージサイズを 83%削減（1.63GB → 273MB）することに成功しています。 Streamlit を使ったデータ分析アプリをサンプルとして作成していますが、もちろん Streamlit 以外のプロジェクトでも利用可能です。リポジトリは公開しているので、必要な方はク

松尾研究所では、Python開発における標準ツールとしてuvを推奨しています。uvはPythonのパッケージ管理ツールで、依存関係の管理や仮想環境の構築を自動化し、高速で再現性のある開発を可能にすることが特長です。 Pythonパッケージだけでなく、Node.jsやブラウザ周りのツールなど他の依存も扱うときには、uvとDockerを併用するケースもあるかと思います。Dockerのコンテナ上でuvを使用する方法について社内で話題になったとき、調べたところいくつか方法があることが分かったので、それぞれの方法の違いと松尾研究所推奨の環境構築方法についてまとめました。 推奨方針まとめ Python開発はuvを標準とする Docker運用はAstral公式のuv+pythonイメージの使用を推奨 Astral公式のuvイメージ、または公式インストーラ（install.sh）によるuvの直接インストー

はじめに データソリューション事業部の宮澤です。 近年、多くの企業においてDXの推進とともにデータ活用が進んでいます。それに伴って機械学習モデルもPoCからさらに進んで、システムに組み込んで実運用へと進むケースが増えているように感じます。このことを踏まえると、これから必要になるのはデータを分析して示唆を得るスキルはもちろんですが、それに加えて機械学習モデルを社会実装するエンジニアリングスキルがより求められるのではないかと考えます。ここではそのスキルを「AIエンジニアリングスキル」と呼び、本シリーズの記事はデータサイエンティストがこのスキルを身につけるための学習過程をアウトプットしたものと位置付けます。したがって本記事の対象読者は「これからAIエンジニアリングスキルを身につけたい技術者」とします。 今回は「Pythonによる開発の基礎（プロジェクト管理・コード品質）」と題して、Pythonを

はじめに Anthropic といえば、最近はコード生成ツールが大きな話題になっていますよね。 ＡＩ企業アンスロピック、今年の売上高30億ドルに急増へ 売上高を牽引しているのはコード生成機能です。グーグルの親会社であるアルファベット（[GOOGL.O](https://jp.reuters.com/markets/companies/GOOGL.O)）や、アマゾン・ドット・コム（[AMZN.O](https://jp.reuters.com/markets/companies/AMZN.O)）が支援しているアンスロピックは、コンピュータープログラミングに特化した AI として知られています。 このコード生成機能を活用する際に使用するのが、CLI コマンドの claude です。このツールの完成度は非常に高く、最近ではコード生成時に積極的に利用するエンジニアも増えてきています。 この cla

uvは超高速なPythonパッケージマネージャ 仮想環境作成・パッケージ管理・Pythonバージョン管理を一元化 Rust製で10〜100倍の速度向上

簡易版はこちら Pythonのパッケージ管理はこれまで pip、venv、poetry などで行われてきましたが、最近 uv が注目を集めています。 本稿では uv をシステム開発で使うための詳細な情報、特に、poetry、venv、pipからの移行手順を解説します。 uv公式ドキュメント uv (github) 1. uvの概要 1.1 uvとは？ uvは 高速な動作、クロスプラットフォーム対応のロックファイル、ツール管理、Python自体のバージョン管理を統合した、現代的なPythonプロジェクト＆パッケージマネージャーです。Rustで記述されており、従来のツール（pip, poetry, pip-toolsなど）の機能を単体で置き換えることができます。 1.2 uvのアーキテクチャ uvはRustで実装されており、高いパフォーマンスとメモリ安全性を誇ります。Rustの並行処理能力を活

書籍はこちら。 現場のPython──Webシステム開発から、機械学習・データ分析まで Web＋DB PRESS plus 作者:altnight,石上 晋,delhi09,鈴木 たかのり,斎藤 努技術評論社Amazon 元々WEB+DB PRESS plus で連載されていた内容をまとめた本。連載期間は2020年6月〜2023年8月のものだったらしいけど、書籍化にあたって加筆されているらしい。 初版の発行は2024年9月と最近である。 この本を読もうと思った経緯 仕事で少しだけPythonを使うことになったから。作るものは簡単なツールだったんだけど、それにあたって環境周りやらLinter、Formatterとかは最近は何を使うといんだろう？っていうのをキャッチアップしたかった。 こればっかりはとっかかりがないことにはドキュメントを見に行くこともできないので、いい感じにまとめられてる情報を

この記事はuvのバージョンがv0.3.0の時に書かれました。 uvの開発は活発であり、ここで紹介したコマンドやベストプラクティスが大きく違う可能性があります。 最新のuvの使い方を参照するには公式ドキュメントを参照してください。 チューリングのE2E自動運転チームの岩政(@colum2131)です。 2024年8月20日にuvのマイナーバージョンが0.3.0にアップデートされました。元々、pipの代替として設計されていたuvが、Pythonのバージョン管理からパッケージ管理まで行えると発表されました。 以前の2024年7月にまとめた記事では、 将来的には、uvがRyeに代替されるよう と書きましたが、実際、RyeやPoetryなどの代替としてuvのみでPythonのプロジェクト管理が可能になりました。Ryeで行っていた操作同様にuvで実行できるようになった印象もあります。 チューリングのメ

Pythonは比較的自由な文法で記述できる言語で、様々な分野で利用されています。 一方で、その自由さ故、どうやって書くのが良いか分かりにくい側面もあります。そこで、本記事では、Python使いに布教したいテクニックをまとめてみました。 TLDR; Pydantic ClassをModelとしてImmutableに運用しつつ、Controller, Service, etc にTyping.Protocol使うとだいぶ体験が良い。 開発環境は、uvとTaskfileの組み合わせがおすすめ。 リポジトリ 参照しやすいように、GitHubで動くfizzbuzzのコードを用意しました。必要に応じて、ご利用ください。 環境構築 Pythonでは、メジャーな環境構築方法がいくつかあります。 virtual env Docker (この後に登場するツールとの併用を含む) PyEnv + Poetry u

ここを更新しました（公開日：2024年8月22日、更新日：2025年4月7日） 2024年12月2日最新のColab環境で、記事内の全てのコードが正常に動作することを検証しました。それに合わせて一部のコードを書き直しています。scikit-learnのバージョンは1.4以降を使う必要があります。 2025年4月7日、多項式回帰を非線形回帰の例として紹介していましたが、係数（パラメーター）に対して線形であることから、一般には線形回帰に分類されます。そのため、説明をこの観点に沿って修正しました。 販売数の予測や売上の予測など、「データの傾向を把握して、将来の予測をしたい」と思ったことはありませんか？　今回は、このような際に役立つ、機械学習の代表的な手法である線形回帰について学んでいきましょう。 具体的には、線形回帰の概要から、その仕組み、そしてPythonプログラミングによる線形回帰モデルの実

はじめに こんにちは, 普段は情報科学専攻の大学院生をしながらバックエンドエンジニアをやっている @koki-algebra です. 普段は Go をよく書いているのですが, 大学でやっている機械学習の研究では Python を使うことがほとんどです. Go のエコシステムに慣れきった私は Python の混沌とした環境に耐えきれず, 最強の開発環境を整えることを決意しました. 具体的には Package Manager, Formatter, Linter, Type Checker, Test Tool を選定し, VSCode の DevContainer を用いてポータビリティに優れた開発環境を作ることを目指します. また, Deep Learning では GPU が必須である場合が多いので, GPU 環境も同時に整えたいと思います. 以下のレポジトリが今回考えた開発環境のテンプ

はじめに 開発部の ikasat です。 皆さんは git, ssh, rsync のような外部コマンドを呼び出すスクリプトを書きたくなったことはありますか？ 個人的にこの類のスクリプトは最初はシェルスクリプトとして書くのですが、改修を重ねるうちに肥大化して処理も複雑になり、 後から Python のような汎用プログラミング言語で書き直すことがよくあります。 外部コマンド呼び出しを書き直す際に、Git 操作のために pygit2、 SSH 接続のために paramiko のようなライブラリをわざわざ使うのは大がかりだったり、 rsync に相当するようなこなれたライブラリが存在しなかったりする場合があります。 そのような時は標準ライブラリの subprocess モジュールを利用し、Python から外部コマンドを呼び出すことになるでしょう。 しかしながら、Python のチュートリアルペ

最近の AI 技術の進歩は目覚ましく、OpenAI による ChatGPT などの API の提供は沢山のアプリケーション開発者にとって Python を使った開発を始めるきっかけになったのではないでしょうか。筆者もそのうちの 1 人です。 効率的かつ再現性の高い開発環境は必要不可欠であり、それを実現するためのツールの一つが Docker です。Docker はアプリケーションを容易に再現可能なコンテナ内で動作させることができ、開発から本番環境まで一貫した環境を提供します。これで「僕の環境では動いているんですけどねぇ...」といった問題[1]を避けることができます。 本記事では、AI 時代に立ち向かうべく筆者が Python 初心者なりに取り組んだアプリケーション開発の方法の一つを解説します。 ディレクトリ構成 このような形を目指していきました。 . ├── .devcontainer │

はじめに 今回の記事では、学習・開発でPythonを使うプログラマーが必ず確認するべきGitHubリポジトリを10個紹介する。本記事の対象は主に以下の通り。 実務でPythonを使っているプログラマー Pythonの情報収集に困っている人 Pythonの学習・開発の効率をアップさせたい人 Pythonのフレームワーク・ライブラリを確認しておきたい初心者 Pythonは1991年にリリースされてから今年で30年以上も経過している歴史のあるプログラミング言語なので、情報量が非常に多くどのように開発を進めればよいかわからない人も少なくないだろう。 そこで、本記事では個人の独断と偏見で学習・開発でPythonを使うなら必ず確認するべきGitHubリポジトリを紹介する。Pythonで実装できるプロダクトは多岐に渡るので、本記事では分野ごとに確認するべきGitHubリポジトリを紹介する。 必見 awe

5-4. Pythonプログラミングパーフェクトマスター［最新Visual Studio Code対応 第4版］