自力でWebサイトを作れるようになるブロックコーディングとは？ HTML/CSSの脱初心者を目指して
HTML/CSSの知識を習得しても、いざWebサイトを構築しようとすると手が止まってしまう。それは知識の体系化ができていないから、と語るのが『HTML/CSSブロックコーディング』の著者である笠井枝理依さんです。笠井さんは本書で、そうした悩みを解決する手法としてサイトの要素をブロック単位で分解してコーディングしていくブロックコーディングを解説しています。今回は本書からWebサイトをブロックに分解する方法を紹介します。 本書は『HTML/CSSブロックコーディング デザインをすらすら再現できる』の「Ch01 モックアップをブロック分解」を抜粋したものです。掲載にあたって編集しています。 モックアップとは モックアップとは皆さんが考えるところの「デザイン」であり､日本では「デザインカンプ」と呼ばれることもよくあります。Webページがどのように表示されるのか､実際にブラウザで表示される場合と遜色
推薦システム初心者におすすめの手法「行列分解」とは？ ～特異値分解からCB2CF法によるコールドスタート問題解決まで～
データをもとに、ユーザーが気に入りそうなアイテムを推薦する推薦システムは、通販サイトや求人サイトなど、生活のいたるところで利用されています。本連載では推薦システムについて学びたい開発者やデータサイエンティスト、およびプロダクトのユーザー体験を向上させたいと考えている方向けに、接触履歴情報のみを用いる「暗黙的フィードバック」を用いた推薦システムの概要と代表的なアルゴリズム、およびそれらの長所と短所を解説します。前回は、推薦システムの概要と、実装に必要なリソースを解説しました。今回は、推薦システムで最もポピュラーな手法である行列分解（Matrix Factorization）について説明します。 接触履歴を用いた推薦で最も一般的な手法：行列分解 推薦システムのトップ会議であるRecSysにおける2016年のチュートリアルでは、「もしたった一つの手段を選ばなければいけないのであれば、行列分解は最
Python用機械学習ライブラリ「PyTorch 1.8」がリリース、科学計算用フロントエンドAPIの追加など変更多数
「PyTorch 1.8」は、3000超のコミットで構成され、コンパイル、コード最適化、科学計算用フロントエンドAPI、AMD ROCmサポートといった機能追加・改善が行われたほか、パイプラインとモデルの並列処理および勾配圧縮の大規模なトレーニングのための機能改善などが行われている。 具体的には、NumPyのnp.fftモジュールと同等の機能を備え、ハードウェアアクセラレーションと自動グラデーションをサポートしたtorch.fftや、コレスキー分解、行列式、固有値といった一般的な線形代数演算をNumPyスタイルでサポートするtorch.linalg（ベータ版）、FXを使用したPythonコード変換のサポート（ベータ版）が追加されたほか、パイプラインの並列処理（ベータ版）、DDP通信フック（ベータ版）、分散トレーニング用プロトタイプ機能が追加された。 ほかにも、PyTorch Mobileに
最先端のスパースモデリング～HMLassoとPliable Lasso～
本連載は「これから機械学習に取り組みたい」「ディープラーニングや機械学習を使った経験がある」といったエンジニアに向けて、データ量が少なくても分析が実現できる「スパースモデリング」という手法を紹介します。 前回はスパースモデリングの画像処理への発展的な応用として、画像の欠損補間、異常検知、超解像の3つを紹介しました。今回はスパースモデリングの最近の学術分野におけるスパースモデリングの発展の様子、最新の手法をご紹介します。 スパースモデリングにおける数理モデル研究の重要性 データが少なく説明責任が求められる状況に力を発揮するスパースモデリングの中には、様々な手法があります。例えば、第2、3回で紹介したLASSOや、第4、5回で紹介した辞書学習などはその中の代表的なものとして知られています。スパースモデリングを扱うエンジニアには、問題の質に応じて、これらの中から最も適切な手法を選択することが求め
要件定義書がしっかり読まれているかを測定――視線情報を機械学習にかけ、要件定義書レビューの評価を行う (1/2)：CodeZine（コードジン）
社会人エンジニア向けの教育プログラム「トップエスイー」から、エンジニアの皆さんに対して有用な情報をお届けするコーナーです。上流工程ではドキュメントを作成しますが、記述に不備があると後々の工程まで響きます。その一方で、ドキュメントの評価は人間に委ねられています。ここで、人間は実際にドキュメントを読んで、問題点の抽出などが十分に行われているかという疑問が出ます。その回答として、レビュアーの視線を測定することで、十分なレビューをしたかどうかを判定する方法を探りました。視線を測定するアイトラッカの出力を機械学習の手法で解析した結果、レビュー自体を評価するためのいくつかの指標を得ることができました。 ソフトウェア開発における要件定義書の品質 ソフトウェア開発では、上流工程で作成される仕様書や設計書の品質が後工程の成果物の品質に影響を及ぼすため、これらの品質を担保することが重要となります。上流工程で作
スパースモデリングはなぜ生まれたか？ 代表的なアルゴリズム「LASSO」の登場 (1/3)：CodeZine（コードジン）
本連載は「これから機械学習に取り組みたい」「ディープラーニングや機械学習を使った経験がある」といったエンジニアに向けて、データ量が少なくても分析が実現できる「スパースモデリング」という手法を紹介します。今回は、スパースモデリングの歴史を紐解きながら、その代表的なアルゴリズムであるLASSOについて解説します。 スパースモデリングの基本アイデア オッカムの剃刀 2010年代初頭にバズワードにまでなったビッグデータ。今では当時の過熱ぶりはなくなり、ハードウェアやクラウド環境の充実とともに活用が広がっています。ビッグデータには一つの明確に定まった定義はありませんが、RDBMSでは扱いづらくなるほどの大量データであるという量的側面と、データの出処やその種類が多種多様であるという質的側面などが特徴として挙げられます。ビッグデータが手元にあり、解きたいビジネス課題にそのビッグデータを使うのが適当である
Pythonでデータと向き合いながら価値を見出す「探索的データ解析」に挑戦しよう
本連載では、プログラミングの基本は理解していて、より実践的なデータ解析に取り組みたい方を対象に、スクリプト言語によるデータ解析の実践を解説します。スクリプト言語のなかでも特にデータ解析に役立つライブラリや環境が整っているPythonを取り上げ、対話型解析ツールやライブラリについて導入から解析の実行・可視化までを解説します。第2回では、Pythonによる探索的データ解析を解説します。まず対話的環境による探索的データ解析について確認し、Jupyter Notebookを使ったデータ解析の実行・可視化までの手順を解説します。 対象読者 Pythonの基本的な文法を理解しておりデータ解析のスキルアップに取り組みたい サンプルの動作確認環境 MacOS 10.13 Anaconda 5.1 Python 3.6 Jupyter Notebook 5.4 探索的データ解析の流れを確認 まず対話型環境に
スマートスピーカーのAmazon Echoで「Hello World」するには：CodeZine（コードジン）
Amazonが展開するスマートスピーカー、Amazon Echo。そこに搭載されているのがAIのAlexaです。音声UIに注目が集まる中、今後はAlexaを利用したWebサービスやデバイスが増えてくるでしょう。そのニーズに合わせ翔泳社では『Amazon Alexa開発ガイド』を発売しました。今回は本書から、Amazon Echoで「Hello World」する方法を紹介します。 本記事は『Amazon Alexa開発ガイド Alexa対応スキル＆AVS対応アプリの作り方』から抜粋、掲載にあたって一部を編集したものです。Amazon開発者コンソールとAWSへの登録が前提となります。 ここではAlexaの発話までの一番簡単な一連の設定、実装を行い全体の開発の流れを説明します。各機能の詳細については本書の続き「Chapter3 スキル開発入門」で詳しく説明していますので、そちらを参照してください
超簡単！ WPFなどの.NETのアプリからUWPのAPIを使う ～日本語の読み仮名を取得するAPIを題材に
※適用バージョン：Windows 10 全バージョン（version 1507／build 12040以降） はじめに Windows 10に追加された新機能の多くはUWP（Universal Windows Platform）だけに搭載されます。そのような新機能は、従来の.NETのアプリからは使えないのでしょうか？ そんなことはありません。UWPの多くのAPIは、.NETのアプリからも簡単に利用できるのです。 今回は、日本語の漢字混じりの文字列から読み仮名を取得するAPIなどを題材にして、.NETアプリからUWPのAPIを呼び出せるようにする方法を紹介します。 対象読者 .NET FrameworkでWindows用のアプリを作っている開発者 UWPアプリの開発者 必要な環境 サンプルコード（GitHub）をそのまま試してみるには以下の環境が必要です。 Windows 10 versio
δ符号によるデータ圧縮の応用事例：CodeZine
はじめに 前回『δ符号によるデータ領域の節約』にて紹介したδ符号を応用して、アドホックな高密度データ圧縮を実装した応用例を紹介します。 対象読者 データ圧縮、特に独自方式での高密度データ格納に興味がある方を対象としています。δ符号に関する知識（参考：拙稿『δ符号によるデータ領域の節約』）を前提としています。 また、C++の基本的な文法および演算子についての知識が必要です。クラスやテンプレート、STLなどは使用していません。 必要な環境 本稿の対象環境は、Microsoft Visual C++ 6.0以降のMicrosoft社製C++コンパイラです。一部にインラインアセンブラ、およびPentium命令を使用しています。他のC++環境への移植はさほど困難ではありません。しかし、C環境に移植する場合は、関数の多重定義に留意してください。 圧縮を行ったデータについて 本稿にて圧縮
1
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
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
ファインディ、エンジニアの想定年収を掲示する技術「想定年収アルゴリズム」の特許を取得
PostgreSQLのサポートされている全バージョンがアップデート、「PostgreSQL 9.5」はEOLに
InterSystems、SQLから機械学習機能を実装できる「QuickML」を発表