Windows 環境で Python を実行している時に、 任意の Windows API を呼び出す方法を説明します。まずはもっとも簡単な例から説明します。 なぜ簡単かと言うと、パラメータとなるデータ構造がシンプルな型だからです。 後ほど、構造体などを引数として受けとる場合を扱いますが、ここではまずは単純な例として MessageBox API を呼び出すことでポップアップを表示させます。 Python から Windows API - MessageBox を呼ぶ方法 具体的には、ここでは Python のスクリプトから次のように Windows のメッセージボックスを表示します。 これを実現するコードは次の通りです。 from ctypes import * user32 = windll.user32 user32.MessageBoxA( 0, "Hello, MessageBo
この記事はRust Advent Calendar 2021の23日目の記事です。 Rustで機械学習をやってみたいという方は少数派かもしれません。PythonやRの環境が圧倒的過ぎて他の追随を許さないからです。しかしそれがタダで手に入るとなったらいかがでしょうか? ブラウザだけでどこでも利用できるRustの機械学習環境をクラウド上に持てるのであれば試す価値があるかもしれません。本記事ではAmazon SageMaker Studio Labを利用して、無料でRustの機械学習環境を作る方法にチャレンジします。 はじめに 本記事ではAmazon SageMaker Studio Labを利用して、Rustの機械学習環境を構築する試みを紹介します。無料のJupyterLab環境をRustで利用しようという狙いです。 単にJupyter Notebookの環境が欲しいだけならVisual St
はじめに 作者のページ My HP 世の中には例題を読ませるだけの教育が氾濫しているが、本当にできるようになるためには、練習が欠かせない。ここでは、Pythonを用いたデータアナリティクスを本当に自分でできるようになるための、練習問題を集めた。 できれば解答をコピペするのではなく、自分の力で考え、自分で試行錯誤をし、自分で書いてみることを勧める。 Python基礎 (1) Python基礎 (2) Python基礎 (3) Jupyter入門 Jupyerでのデバッグのやり方 数値計算モジュール NumPy データ解析モジュール Pandas 可視化モジュールmatplotlib 可視化モジュール plotly データを可視化するための方法 (Plotly Express) 科学技術計算モジュールSciPy statsmodelsを用いた統計分析 scikit-learn を用いた機械学習
指針 厳密解法に対しては、解ける問題例の規模の指針を与える。数理最適化ソルバーを使う場合には、Gurobi かmypulpを用い、それぞれの限界を調べる。動的最適化の場合には、メモリの限界について調べる。 近似解法に対しては、近似誤差の指針を与える。 複数の定式化を示し、どの定式化が実務的に良いかの指針を示す。 出来るだけベンチマーク問題例を用いる。OR-Libraryなどから問題例をダウンロードし、ディレクトリごとに保管しておく。 解説ビデオもYoutubeで公開する. 主要な問題に対してはアプリを作ってデモをする. 以下,デモビデオ: 注意 基本的には,コードも公開するが, github自体はプライベート そのうち本にするかもしれない(予約はしているが, 保証はない). プロジェクトに参加したい人は,以下の技量が必要(github, nbdev, poetry, gurobi); ペー
Watch Now This tutorial has a related video course created by the Real Python team. Watch it together with the written tutorial to deepen your understanding: Binary, Bytes, and Bitwise Operators in Python Computers store all kinds of information as a stream of binary digits called bits. Whether you’re working with text, images, or videos, they all boil down to ones and zeros. Python’s bitwise oper
目的¶ このチュートリアルでは 特徴点のマッチングとcalib3dモジュールのfindHomographyを組み合わせて,複雑な画像中から既知の物体を検出する方法を学びます. 基礎¶ 前のチュートリアルでは何をしましたか?クエリ画像上の特徴点を検出し,別の画像上で対応点を検出しました.端的に言うと,もう1枚の画像内にある物体の幾つかの部分の場所を見つけたことになります.この情報は学習画像上の物体の厳密な位置を見つけるのに十分な情報です. このために,calib3dモジュールの cv2.findHomography() という関数を使えます.両方の画像から得られた点の集合を与えると,その物体の射影変換を計算します.次に cv2.perspectiveTransform() を使いその物体を検出します.射影変換の計算には最低でも4組の対応点が必要となります. マッチングの際に,結果に影響を及ぼ
TL;DR: As of today (2019), in Python 3.7+ you can turn this feature on using a "future" statement, from __future__ import annotations. (The behaviour enabled by from __future__ import annotations might become the default in future versions of Python, and was going to be made the default in Python 3.10. However, the change in 3.10 was reverted at the last minute, and now may not happen at all. Pyth
Type hints cheat sheet¶ This document is a quick cheat sheet showing how to use type annotations for various common types in Python. Variables¶ Technically many of the type annotations shown below are redundant, since mypy can usually infer the type of a variable from its value. See Type inference and type annotations for more details. # This is how you declare the type of a variable age: int = 1
概要 Global Interpreter Lock (GIL) の制約により、 1つのPythonインタープリタでは同時に1つのスレッドしかコードを実行できない。 したがってCPUバウンドなピュアPythonコードを threading でマルチスレッド化しても速くならない。 subprocess による外部プログラム実行やI/OなどGIL外の処理を待つ場合には有効。 一方 multiprocessing は新しいインタプリタを os.fork() で立ち上げるので、 CPUバウンドなPythonコードもGILに邪魔されず並列処理できる。 ただし通信のため関数や返り値がpicklableでなければならない。 それらの低級ライブラリを使いやすくまとめたのが concurrent.futures (since 3.2) なので、とりあえずこれを使えばよい。 新しい asyncio (sinc
ベイズ統計モデリングをpymc3を使って学ぶ 最近、ベイズ統計モデリングに興味があり、勉強をはじめた。学んだ結果の記録も兼ねて、ブログもやってみることに。 幾つかのWebや書籍を調べてみると、ツールとしてはstanが主流の模様。Rやpythonのラッパもあるようだが、一旦コンパイルが必要など少し面倒な印象。ここは、好きなpythonオンリーで書けるpymc3で学ぶことにする。ベイズ統計モデルとpymcの勉強だが、どちらかと言うとpymcに軸足を置き、stanコードのpymc化や、公式HPのexampleをトレースしつつ学んでいこう、という感じ。 pymc3のインストール anacondaを使っていれば、簡単にインストールできる。 conda install -c conda-forge pymc3 現在のバージョンは3.5で、リリースノートによると幾つかの機能アップデートがあった模様。 個
Language Models are Unsupervised Multitask Learners Alec Radford * 1 Jeffrey Wu * 1 Rewon Child 1 David Luan 1 Dario Amodei ** 1 Ilya Sutskever ** 1 Abstract Natural language processing tasks, such as ques- tion answering, machine translation, reading com- prehension, and summarization, are typically approached with supervised learning on task- specific datasets. We demonstrate that language model
予定と実績¶ Flaskを使う準備 20分 -> 60分 Flaskチュートリアル 40分 -> 60分 休憩 15分 Flaskを使いこなす1 40分 -> 60分 アプリを公開する 20分 -> 20分 休憩 15分 Flaskを使いこなす2 30分 -> 30分 プラグイン、情報源紹介、Q/A、予備 -> 10分
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
処理を実行中です
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