PG:Python
数学の本を読んでて「モンティ・ホール問題」ってのに、ちょっと興味をひかれたので、自分なりに考えて遊んでみました。
Webアプリケーションでレーダーチャートを使う必要があって、Chart.jsの使い方とdjangoからのデータの受け渡し方法を調べました。
djangoテンプレートで{% for xx in dic %} みたいにループを回して処理する時に、注意が必要なことがあるのでまとめておきます。
djangoテンプレート内で{% if %}で条件分岐するやり方と注意点についてまとめておきます。
リスト・タプル・辞書などの値を参照する書き方はPythonとdjangoテンプレートでの違いを、小数点以下の桁あわせ等よくあるパターンだけ、つまみ食い的にまとめます。
WEBブラウザに画像ファイルをドロップしてBase64エンコードする処理と、Base64エンコードテキストを受け取って、学習済モデルを使って何の画像かを識別する処理を組み合わせて、簡単なデモンストレーションを作ってみます。
今回は機械学習(ディープラーニング)の画像分類の学習用によく利用されている「ImageNet(ILSVRC2012)データセット 」の分類名を日本語変換するためのPythonクラスを用意してみます。
今回はPythonで暗号学的ハッシュ関数を扱う話題です。
Selenium&pythonの組合せで、Webアプリケーションを自動化して使う「個人的なTips」を整理してます。今回は値の参照・スクロールなど前2回の範囲以外のその他をまとめます。
Selenium&pythonの組合せで、Webアプリケーションを自動化して使う「個人的なTips」3回シリーズの2回目です。今回は何かをクリックする行為に関わる部分です。
Selenium&pythonの組合せで、Webアプリケーションを自動化して使う「個人的なTips」を3回続き物で書こうかなと思ってます。今回は1回目の「入力」「選択」なんかに関わる部分です。
JavaScriptでBase64にエンコードした画像データをWeb-APIにURLパラメータで渡して、分類結果をJSON形式で受け取る処理を書く場合のポイントと注意点です。
既存のWeb-APIを内部で呼び出して結果をそのまま返す「WebAPI」プロキシという手法があります。CORS対策やインタフェースを統一して利用する側が使いやすくしたり、保守性をあげるような目的に有効な手段です。今回は、それをDjangoを使って作ってみます。
Windowsアプリをpythonから操作するやり方を整理しています。今回は、send_keysを使った入力で注意すべき制約と、ファイル参照ダイアログの操作とかでネストしたelementの参照したりしてみます。
tensorflow2.0に付属の「tf.keras.applications.VGG16」モデルを使って、1000種類の画像を識別できるPythonクラスを簡単に作ってみます。 ※2019/01/21の記事をTensorflow2.0対応にリライトしました。 はじめに 今回利用するモデルはVGG16です。 www.tensorfl…
基本中の基本である画面パーツ(ボタンとかテキストボックスとか)を識別して、何等かのアクションをさせる基本的な方法を確認します。今回は「さくらエディター」に文字列入力して、メニュー操作をしてみます。
seleninumライクにWindowsネイティブアプリケーションの自動テストができるWindowsAppDriverをpythonで使える環境を準備します。
Webアプリケーションの画面に、自動的に入力したり、リンクをクリックしたりというのをpythonでやってみます。pythonは、3.6系。seleniumというモジュールです。
気象実績と、関西電力の使用量という現実のデータでランダムフォレストで予測をやってみた前回の結果をもとに、もう少し精度があがらないかやってみます。
気象実績と、関西電力の使用量という現実のデータで学習用データを作ってみたので、今回はそれを使ってランダムフォレストを使って回帰問題をやってみます。
大阪の過去の気象データをダウンロードして、関西電力の電力消費量データと組み合わせたら、練習用として面白い学習データが作れると思うので、やってみます。
関西電力が提供する「関西エリア」の電力消費実績データをダウンロードして、いろいろいじくってみます。
機械学習や統計の話題に頻出する「分布」の中で、モヤっとしがちだった「二項分布」と「ポアソン分布」について、文系的アプローチで整理を試みます。
手書き数字画像(Scikit-learn付属のdigits)を、教師なしで分類(クラスタリング)してみて、どの程度の精度がでるものなのかを見てみようと思います。
非線形回帰問題のサンプルとして、Sinカーブの予測をScikit-learnのサポートベクターマシン(SVM)と、kerasのシンプルな全結合のみのモデルで試しにやってみます。
たまたま読んだ本に「平等さを突き詰めると不平等になるのは、至って当たり前の統計学的事実である」という趣旨の内容がありました。本当なのかな?と、ちょっとモヤっとしたので、プログラムで確かめてみようかなと思います。
3次式の線形回帰問題をPythonでやってみます。ついでに、同じ問題に、LinearRegression以外の罰則付き回帰の実装であるRidge回帰とLasso回帰も適用して、使い分け方などをメモしておこうかと思ってます。
線形回帰問題をPythonで解く「scikit-learn」の「LinearRegression」クラスの使い方と決定係数での評価について、基本的なところを、おさらいしておこうかと思います。
DjangoのREST Framework (以後、DRF)のClassベースビュー「APIView」と、FunctionベースViewの「api_view」を使い、別のWEB-APIを処理して結果を返す「WEB-APIプロキシ」を2通りの方法で作って比較してみます。
APIを作成するためのフレームワーク「Django REST Framework (以後、DRF)」をインストール・設定します。あわせて、APIには不可欠のCORS対策モジュールもインストール・設定します。