Recreate Redis, Git, Docker — with your own hands. Gain expert-level confidence by taking action and diving deep, learning from the world's best.
Welcome to Grasshopper, the coding app for beginners Learning to code opens new doorscreates new hobbieslaunches new careersdevelops new skillsexpands your networkopens new doorscreates new hobbieslaunches new careersdevelops new skillsexpands your networkopens new doorscreates new hobbieslaunches new careersdevelops new skillsexpands your networkopens new doorscreates new hobbieslaunches new care
英語圏のフォーラムを見ていると「日本人女性とは結婚するな」というアドバイスが頻繁に登場する。滞日外国人男性の間では、日本人女性との結婚は回避すべきものとして周知されているのだ。しかし、そこで話されている日本人女性の姿は、日本人としてはありふれた、いつも見ている姿に過ぎない。しかし同じものを外国人の目を通してみると、その異常性が浮き彫りになってくる。 日本人女性と結婚すべきでない理由この記事では英語圏のフォーラムから10スレッドほどを選び、その中から目立った書き込みを邦訳し、統計データなどの補足を添えた。引用元はすべて明示してあるので、時間のある方はご自分の目でチェックしてほしい。先にざっとまとめると、日本人女性と結婚すべきでない理由としてよく言われているのは以下のようなものだ。 働かないのに家計を含む家庭内を支配し夫を下位に置く支配するための手段として暴言や経済虐待や子供を利用するパートナ
XP祭り 2022の資料です。 #xpjug #shinagile LISTEN――知性豊かで創造力がある人になれる https://www.amazon.co.jp/dp/4822289001 子どもは40000回質問する あなたの人生を創る「好奇心」の驚くべき力 https://www.amazon.co.jp/dp/4334962149 探索的テストにおける期待値(基準)の作り方 https://www.docswell.com/s/nemorine/K342Y5-howtocreateexpectedvalue コーチングよりも大切な カウンセリングの技術 https://www.amazon.co.jp/dp/4532324203
前置き はじめまして, コンポーザー, DJなどをやっているArakurです. 昔は打ち込みジャズを専門で作っていたのですが, ここ最近は殆ど作る機会がなく, 知識やTipsを持て余すくらいなら同志や後進に託そうと思ったので少しずつ記事にしてみることにしました. 第1回は, 古典和声またはポピュラー和声についてある程度知っている方向けにジャズのコード進行の理論の原理的な部分について解説します(第2回が今後書かれるかはまだ分かりません). とりあえずこれを読み切ればそこいらのスタンダードの進行は最低限アナライズできるようになる, という感じの内容を目指しています. 本記事は他ジャンルの制作にあたってジャズの知識を取り入れたいというような層を主に想定しています. 僕自身体系的なジャズ・音楽理論の教育を受けたわけではなく, 知識の大半はネットや古い教則本, およびセッションなどによる実践的経験を
アプリケーションなどOSより上に作られる高水準のプログラムではハードウェアの速度と容量を考慮しない数学的キャッシュアルゴリズムが使われ主にこれを本稿の対象とする。キー探索用マップと明示的キャッシュサイズ(対となる値が保持されているキーのサイズ)は計算量に含まれない。 LRU 最も単純かつ高性能な基礎的キャッシュアルゴリズム。そのため性能比較のベースラインとして常に使用される。逆に言えば実用最低水準の性能である。スキャン耐性皆無でスキャン一発でキャッシュとヒット率がリセットされゼロからやり直しになるため非常に脆く不確実な性能となりベンチマークにおける性能が表面上さほど悪くなく見えても実際の性能はこのような外乱により大きく低下しやすい。このためLRUより高度な主要アルゴリズムはすべて大なり小なりスキャン耐性を備えている。ちなみにプログラミング言語最大のパッケージマネージャであるJavaScri
本記事は、ドコモアドベントカレンダー17日目の記事になります。 こんにちは。NTTドコモサービスイノベーション部3年目社員の九島です。 主な業務は、マーケティング分野への機械学習・AI活用です。 今回は、これからのマーケティングではより重要となる指標のLife Time Value(以下、LTV)を機械学習・AIを用いて予測する方法についてご紹介したいと思います。 ※本記事ではPythonが準備されていることを前提としています。また、Kaggleのデータセットを利用します。Kaggleについては本記事内でデータの取得方法について解説しています。 この記事を読んでわかること LTVとは何か LTVを機械学習・AIで予測する方法と検証方法(コード&解説付き) Kaggleデータの利用方法 LTVとは LTVとは、マーケティングにおいて重要視すべき指標の一つでして、「企業に対してその顧客が生涯で
はじめに TikTok APIについて調べていたところ、 公式じゃない方のリポジトリやその使い方がたくさん出てきたので、 公式である方をまとめちゃいました〜! ついでにdevelopersアカウントも取得できちゃったので、 方法とか紹介していきます。 取得できるデータは思ったよりも多く、一見の価値はあると思います! 目次 公式ドキュメント 取得できるデータ developers登録手順 アクセストークン取得方法 公式ドキュメント こちらをメインにまとめていきます。 マーケティングAPIというのもあります。 ※今回はこちらの紹介はしません。 大きく分けて5種類 Login Kit Sound Kit(この記事では紹介しません) Video Kit(この記事では紹介しません) Embed Videos WebHooks Login Kit 分岐して以下のデータが取れる User Info Vi
バックエンドエンジニアの高橋です。 弊社ではデータ分析・可視化のためのデータ基盤としてBigQueryを用いていますが、その中でHyperLogLogアルゴリズムを活用したユニーク数の計測における工夫についてご紹介します。 なお、HyperLogLogアルゴリズム自体については詳細に理解していなくても実用上困ることは少ないのでこの記事では扱いません。詳細についてはネット上の記事を探ったりGoogleが公式に出している論文を当たるといいです。(私も説明できるほど詳細な理解はしてないです) ユニーク数の計測の面倒臭さ Webサイトのアクセス解析において重要な指標としてPV(ページビュー数)とUU(ユニークユーザー数)がありますが、PV数は単純に足し合わせでカウントすればいいのに対し、UUについては重複を排除した上でカウントする必要があるので分析上の取り扱いが面倒です。 簡単なお題で考えてみまし
パスキーはフィッシングに強く、テクノロジーに詳しくないユーザーでも使いやすい新しい認証方式で、いずれパスワードを置き換えると言われています。この記事では、パスキーの基本と、これからのウェブにとってパスキーがどういう意味を持つのかについてまとめてみます。 パスキーとは何か # 2022 年 12 月 9 日に Google が Android 版 Chrome でパスキーがサポートされたとのアナウンスが出ました。Apple もすでに最新版の macOS Ventura、iOS / iPadOS 16 で Safari がパスキーに対応しています。 パスキーは Apple、Google、Microsoft が協調して使う FIDO クレデンシャルの名前です。エンドユーザーのみなさんがパスワードの代わりとして認識し、直感的にログインできるよう「パスキー」というブランドとアイコンが決まりました。ウ
Ubie Discoveryでプロダクト開発をしている@jimboです。 Ubieでは現在、デザイン生産基盤整備の一環として、プロダクト上のUXライティングを改善する取り組みを行っています。この記事では、これまでの活動内容について紹介します。 UXライティングとは ユーザーは、プロダクトやサービスを利用する際、あらゆる場面で「言葉」を目にします。タイトルや説明文、ボタンのラベル、通知、エラーメッセージなどなど。 UXライティングでは、これらの「言葉」に注目し、どのような言葉を使うのか、あるいはどのような言葉を使わないのかといった「言葉のデザイン」をUXデザインの一部として行います。 ユーザーによりよい体験を提供し、サービスに魅力を感じてもらえるような「言葉づかい」を考えることがUXライティングの目的です。 症状検索エンジン「ユビー」におけるUXライティングの課題 症状検索エンジン「ユビー」
sabrinas.spaceより。 8週間もかからなかったはずのプロジェクト 日本のウェブデザインはどう違うのか? 2013年のRandomwireのブログ投稿で、著者(David)は、日本のデザインの興味深い相違点を強調しました。日本人はミニマリストのライフスタイルで海外に知られていますが、ウェブサイトは奇妙なほどマキシマリストです。ページには様々な明るい色(3色デザイン原則を破っている)、小さな画像、そして多くのテキストが使われています。2022年11月に撮影されたこれらのスクリーンショットで、自分の目で確かめて下さい。 ブログ投稿には、文化的専門家、デザイナー仲間、そして不満を抱く市民によって支持されている、考えられる理由がいくつか挙げられていました。 この理論が今でも正しいのか、また、もっと定量的なアプローチが可能なのか気になったのでやってみました。 私が見つけたもの 各国の最も人
「Web Speed Hackathon 2022」という「非常に重たいWebアプリをチューニングして、いかに高速にするかを競う競技」があります。 リモート参加で11月1日から27日まで開催されています。 ここで言う「高速」とはCore Web Vitalsのスコアが高いことを言い、Lighthouseのスコアをベースにした500点満点の争いです。 ISUCONのフロントエンド版ですね。 以前にも同じ課題で「学生向け」と「社内(サイバーエージェント)向け」が行われたらしく、まだ500点を出した人はいません。 そこで僕は「満点を出したい」と思い、初日から、いやむしろフライングしていたからその前から頑張ってきました。 そして、先日(17日)、ついに500点満点を出しました! たぶん、レギュレーションはクリアしている、はずです(もし違反してたらすいません…)。 自動で行われる「Visual Re
時系列データのモデリングとして、以下のような手法がメジャーかなと思います。 ARIMA Prophet 状態空間モデル RNN LSTM DeepAR 今回は、2021年に発表された比較的新しい手法であるGreykiteのご紹介をしていきます。 注意:本記事は2022年11月時点の情報をもとに記載しております。ライブラリの変更等により本記事の記載内容が古くなる可能性がありますが、ご了承ください。 Greykiteとは? LinkedInが2021年にOSSとして公開した時系列予測モデルです。機械学習分野の国際会議であるKDD2022でも発表されたようです。 KDD2022よりLinkedInによる時系列予測OSS Greykite (https://t.co/wpsCnuak2t) の紹介論文。コアとなるSilverkiteというアルゴリズムの紹介が中心で解釈可能性と速度が売り。Proph
Dashboard Design Patterns This page lists design patterns for dashboard design collected to support the design and creative exploration of dashboard design. We run a dedicated workshop in March 2022 to help you applying and discussing design patterns in your work. The patterns are coming out of our research, described in our publication: Bach, Euan Freeman, Alfie Abdul-Rahman, Cagatay Turkay, Saif
画像処理は難しい。 Instagramのキレイなフィルタ、GoogleのPhoto Sphere、そうしたサービスを見て画像は面白そうだ!と心躍らせて開いた画像処理の本。そこに山と羅列される数式を前に石化せざるを得なかった俺たちが、耳にささやかれる「難しいことはOpenCVがやってくれるわ。そうでしょ?」という声に身をゆだねる以外に何ができただろう。 本稿は石化せざるを得なかったあの頃を克服し、OpenCVを使いながらも基礎的な理論を理解したいと願う方へ、その道筋(アイテム的には金の針)を示すものになればと思います。 扱う範囲としては、あらゆる処理の基礎となる「画像の特徴点検出」を対象とします(実践 コンピュータビジョンの2章に相当)。なお、本記事自体、初心者である私が理解しながら書いているため、上級画像処理冒険者の方は誤りなどあれば指摘していただければ幸いです。 画像の特徴点とは 人間が
大学の講義で書いたレポートなんですが、せっかくなのでほぼそのままここに貼り付けます。お暇があればぜひご覧ください。1章 はじめに1.1 研究の背景 私が今期履修している「●●●●●●」の講義にて、「Netflixに対して日本の地上波⺠放テレビ局は勝ち目があるのか」という議題があった。その講義内で意見を発表していた生徒の話を聞き、「スマホでもテレビを視聴できる」という事実があまり広まっていないことを感じたため、本研究を行うこととした。 「テレビつまらない」って声高らかに言う人たちって、NetflixとかYouTubeに載ってる全動画を見てるわけでもないくせにテレビになるとその取捨選択をめんどくさがるよな。 — 同じ釜の釜飯 (@onajikamameshi) April 26, 2022 ↑このリンクはレポートには載せてないです↑1.2 研究の目的 1.1で述べたことから、本研究では⺠放テレ
オミータです。ツイッターで人工知能のことや他媒体で書いている記事など を紹介していますので、人工知能のことをもっと知りたい方などは気軽に@omiita_atiimoをフォローしてください! 2018年10月に登場して、自然言語処理でもとうとう人間を超える精度を叩き出した ことで大きな話題となったBERT。それ以降、XLNetやALBERT、DistillBERTなどBERTをベースにしたモデルが次々と登場してはSoTAを更新し続けています。その結果、GLUEベンチマークでは人間の能力が12位(2020年5月4日時点)に位置しています。BERTは登場してまだ1年半程度であるにもかかわらず、被引用数は2020年5月4日現在で4809 にも及びます。驚異的です。この記事ではそんなBERTの論文を徹底的に解説していきたいと思います。BERTの理解にはTransformer[Vaswani, A.
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