So you want to parse a programming language. You want to turn some text into a semantic data structure representing the structure of the program as written by the user. But how exactly do you structure such a semantic model? A Parse Tree (sometimes called a Concrete Syntax Tree, or CST) is what a grammar-based parsing tool like ANTLR typically produces for this purpose. This faithfully represents

大学生活も終わりを迎えようとしているので、過去6年間の大学生活で勉強したことを大まかにまとめつつ振り返ろうと思います。 当時読んだ書籍に沿って書こうと思うので、タイトルを拾うことで僕と近しい進路の人が学ぶことの一例を垣間見えるかもしれません。 各本に付属する本文は思い出話で書評ではないので留意してください。 書籍は大学の講義に直接関係あるか、或いは専門である情報系の物とその周辺分野(機械学習に用いる数学/物理など)で、記憶にもある物に限定します。 オンラインリソースや論文などは基本的に割愛します。 また、情報系の書籍でもソフトスキル系の話は省きます。 繰り返しになりますが、この文章全体は広義の日記で、何かを薦めたり批評したりする意図はありません。 大学1年 所属は理科一類でした。 初めての一人暮らしやサークルなどに時間を取られ最初の数週間は講義から置いていかれがちだったことを覚えています。

An icon used to represent a menu that can be toggled by interacting with this icon.

How (and why!) to keep your Git commit history clean Git commit history is very easy to mess up, here's how you can fix it! Git commits are one of the key parts of a Git repository, and more so, the commit message is a life log for the repository. As the project/repository evolves over time (new features getting added, bugs being fixed, architecture being refactored), commit messages are the place

AMeeTは、一般財団法人NISSHA財団が運営しています。 © 2009 Nissha Foundation. All Rights Reserved.

オライリーから出版されている「プロダクションレディマイクロサービス」を読んだ．「プロダクションレディ」という秀逸なタイトルに惹かれただけじゃなく，章ごとのテーマも非常に惹かれる内容になっていた．仕事でアーキテクチャを考えたり，アーキテクチャレビューを担当する場面も多いけど，ベストプラクティスなアーキテクチャをもっと上手に言語化したいなと思っていて，プロダクションレディなマイクロサービスの標準化を学べる本書に興味を持った． 1章 マイクロサービス 2章 本番対応 3章 安定性と信頼性 4章 スケーラビリティとパフォーマンス 5章 耐障害性と大惨事対応 6章 監視 7章 ドキュメントと組織的な理解 付録A 本番対応のチェックリスト 付録B マイクロサービスの評価基準 プロダクションレディマイクロサービス ―運用に強い本番対応システムの実装と標準化 作者: Susan J. Fowler,佐藤直

The DeepMatcher package which applies deep learning to EM can be found at deepmatcher.ml. Entity matching (EM) is a fundamental problem in data integration. So far the vast majority of EM works have focused on developing EM algorithms. Going forward, we argue that far more efforts should be devoted to building EM systems, in order to truly advance the field. We identify four major problems with cu

Data cleaning is a machine learning problem that needs data systems help! When dealing with real-world data, dirty data is the norm rather than the exception. We continuously need to predict correct values, impute missing ones, and find links between various data artefacts such as schemas and records. We need to stop treating data cleaning as a piecemeal exercise (resolving different types of erro

A popular method for exploring high-dimensional data is something called t-SNE, introduced by van der Maaten and Hinton in 2008 [1]. The technique has become widespread in the field of machine learning, since it has an almost magical ability to create compelling two-dimensonal “maps” from data with hundreds or even thousands of dimensions. Although impressive, these images can be tempting to misre