「Github ActionsのOIDC連携用のIAM RoleもCDKで設定したい。。」 Github ActionsでIAM Roleを使って、認証できるの嬉しいですよね。 AWS CDKでGithub ActionsのOIDC連携用のIAM Roleを作ってみました。 ConstrutHubにライブラリがあったので、併せて紹介します。 aws-cdk-github-oidc 2.2.1 - Construct Hub やってみた AWS CDKの用意 import { Stack, StackProps, Duration } from 'aws-cdk-lib'; import { Construct } from 'constructs'; import * as iam from 'aws-cdk-lib/aws-iam'; export class GithubActions
こんにちは、CX事業本部 IoT事業部の若槻です。 最近、AWS CDK v2やGitHub Actionsについて調査することが多いので、今回はそれらの合わせ技として、AWS CDK v2 + GitHub ActionsでReactアプリをデプロイしてみました。 環境 $ cdk --version 2.20.0 (build 738ef49) $ npm --version 8.5.0 $ node --version v14.17.0 やってみた GitHub Repositoryの作成 GitHub上に適当な名前（今回はaws-cdk-v2-project）Repositoryを作成したら、ローカルにCloneします。 $ git clone https://github.com/<Account>/aws-cdk-v2-project.git aws-cdk-v2-projec
この記事について 株式会社CauchyEのメンバーが、社内の開発や勉強会等に関する技術的なアウトプットを行い、弊社の開発における取組や、弊社メンバーの学びに対する取組等をお伝えしていく予定です。弊社の取組の内容や、弊社の雰囲気等が伝わりますと幸いです。 記事作成者自己紹介 株式会社CauchyEのエンジニアの松岡靖典です。 ブロックチェーンの技術的な面白さに魅了され、Web開発の世界を歩み始めました。 NPO法人NEM技術普及推進会NEMTUSの理事としてブロックチェーン技術の普及推進活動に従事したり、個人開発等の取り組みも行っています。 JavaScript, TypeScript, Angular, Firebase, NEM, Symbol, Cosmosが好きですが、チャンスがあれば様々な技術に触れていきたいと思っています。 記事内容要約 前々回の記事、前回の記事の続編として、NF
This set of interfaces, contracts, and utilities are all related to the ERC721 Non-Fungible Token Standard. IERC721: Core functionality required in all compliant implementation. IERC721Metadata: Optional extension that adds name, symbol, and token URI, almost always included. IERC721Enumerable: Optional extension that allows enumerating the tokens on chain, often not included since it requires lar
はじめに Ethereumを現在学習中のこつこつイーサリアムです。イーサリアムをPythonで学習しようと思い、「Ethereum python」で検索をかけたところ、Ethereum 公式のサイト「Python開発者のためのイーサリアム」の「Intro to Web3.py · Ethereum For Python Developers」が見つかりました。 実践してみたところとても勉強になったので、勉強記録も兼ねて＆ところどころ追記しながら、記事化しておこうと思います。すべてを1本の記事にすると長くなるので、3本立てとしました。 本記事ではまず、「Web3.pyとは」「アカウント残高の取得」「スマートコントラクト（ERC-20 トークン）情報の取得」まで、実施してみます！ Web3.pyのインストール、事前準備 Web3.pyとは、イーサリアム財団によって維持・管理されている、イーサリ
音声ファイルの末尾から規定秒数分を切り出すケース まずは切り出し開始位置を決める。 (audioRecorderは録音中のAVAudioRecorderオブジェクト) let cropTime:TimeInterval = 10 // 10秒分切り出す let recordedTime = audioRecorder.currentTime audioRecorder.stop() if recordedTime > cropTime { let croppedFileSaveURL = NSURL(fileURLWithPath: "fineName.caf") let trimStartTime = recordedTime - cropTime // arg1 / arg2 = CMTimeらしいので、とりあえず1で除算 // 本当はもっと厳密にやったほうが良いかも let star
初学者の分かりやすさを優先するため，多少正確でない表現が混在することがあります。もし致命的な間違いがあればご指摘いただけると助かります。 はじめに 機械学習を勉強したことのある方であれば，変分ベイズ（VB：variational bayes）の難しさには辟易したことがあるでしょう。私自身，学部生時代に意気揚々と機械学習のバイブルと言われている「パターン認識と機械学習（通称PRML）」を手に取って中身をペラペラめくってみたのですが，あまりの難しさから途方に暮れてしまったことを覚えています。 機械学習の登竜門は，変分ベイズ（変分推論）だと私は考えています。また，VAE（変分オートエンコーダ；variational autoencoder）に代表されるように，変分ベイズは最近の深層学習ブームにおいて理論面の立役者となっている側面もあります。一方で，多くの書籍やWeb上の資料では式変形の行間が詰ま
（Katago のバージョンアップされたので更新版を再投稿します） 手持ちの Mac に囲碁ソフトをいくつか入れてみました。OS は、インテル版 macOS 11 Big Sur と、インテル版 macOS 12 Monterey の2種類です。 ※今日の日記は、半年余り前の 3/27(土) に書いた「囲碁AIソフトをインテル版 macOS 11 Big Sur にインストールしてみた」をベースに加筆修正したものです。 2016年3月に AlphaGo が韓国のイ・セドル九段を4勝1敗で破って以来、人間が囲碁AIから学ぶ時代となったようです。市販のパソコンで動作するオープンソースの強力な囲碁AIソフトウェアがいくつも公開されているので、インストールすれば誰でも簡単に利用できます。熟練者が本気で使おうと思ったら高性能パソコンや高性能クラウドが必要なようですが、入門者レベルの私には、手持ちの
【iOS】ML Kit for Firebaseの顔検出を使って笑顔を検出してみた Firebaseに機械学習を利用できる「ML Kit」が今年導入されました。 ハードルが高く感じていた機械学習ですが「ML Kit」を使う事で簡単に使う事が出来たので、 今回は「ML Kit」の機能の一部である「顔検出」を使って笑顔を検出して行きたいと思います。 この記事は アイソルート Advent Calendar 17日目の記事です。 こんにちは。 モバイルソリューショングループのyamasaki.sです。 「ML Kit」には、顔検出の他にも以下のような機能があります。 テキスト認識（OCR） バーコード スキャン 画像のラベル付け ロゴ認識 ランドマーク認識 不適切なコンテンツの検出 類似画像の検索 カスタムモデルの推論 なかでも、「テキスト認識（OCR）」は 過去の記事にもなっているので、よけれ
#1: 基本となる8つの正規表現 #2: 正規表現とは何か/ワイルドカードとの違い #3: 冒頭/末尾にマッチするメタ文字とセキュリティ、文字セットの否定と範囲 #4: 先読みと後読みを極める（本記事） #5（特別編）|と部分マッチのワナ #6: 文字セットのショートハンド #7: Unicode文字ポイントとUnicode文字クラス #8: 対象の構造を意識した「適度にDRYな」書き方 #9: .*や.+がバックトラックで不利な理由 10: 危険な「Catastrophic Backtracking」前編 今回あたりから正規表現が本領発揮しつつ、魔界入りし始めます。今回の記事は自分でもかなり苦しみました。まだ見落としがあるかもしれませんので、今後も更新すると思います。 正規表現の先読み・後読みは言葉で説明するとわかりづらいので、具体例から先に学ぶのがよいと思います。Rubularの実行例
１．SimCLR:対照学習により自己教師学習の性能を向上 ・同じ画像同士の特徴量を最大化しつつ違う画像同士の特徴量を最小化する事を対照学習という ・SimCLRは自己教師および半教師でありながら対照学習により教師あり学習に迫るスコアを達成 ・対照学習ではデータ水増しを行うがランダムな切り抜きとランダムな色ズレの組み合わせが有効 ２．SimCLRとは？ 以下、ai.googleblog.comより「Advancing Self-Supervised and Semi-Supervised Learning with SimCLR」の意訳です。元記事の投稿は2020年4月8日、Ting ChenさんとGeoffrey Hintonさん(ホントか！？)による投稿です。 写真のCrop(切り抜き)が重要と言う事で、Crop(作物)の写真をCrop(切り抜き)しているように見えるアイキャッチ画像のク
数百万社以上のあらゆる規模の企業が、Stripe を利用してオンライン決済、財務・金融プロセス自動化、売上拡大を実現しています。
はじめに Partial Dependence 特徴量が独立の場合 数式による確認 PDの実装 特徴量が相関する場合 PDがうまく機能しない原因 Marginal Plot Marginal Plotの数式 Marginal Plotのアルゴリズム Maginal Plotの実装 Accumulated Local Effects ALEのアイデア ALEはうまく機能するのか ALEのアルゴリズム ALEの実装 ALEの数式 まとめ Appendix：線形回帰モデルの場合 参考文献 この記事をベースにした発表資料です！ speakerdeck.com はじめに Random Forestやディープラーニングなどのブラックボックスモデルは、予測性能が高い一方で解釈性が低いというトレードオフを抱えています。 これを克服するために、ブラックボックスモデルに後から解釈性を与える「機械学習の解釈手法
データの可視化をまとめて学んでおこうと思って書きました。 はじめに データ分析はデータの可視化から 機械学習や統計分析をするに当たって、データの可視化は 対象のデータに対して洞察を深める 処理の結果を評価する 成果を分かりやすく他人に説明する など、様々な局面で重要になります。 KaggleのKenel (分析/処理の過程をまとめたもの) をみても対象のデータに対する洞察を行う過程が全体の半分以上を占めていることが少なくありません。データを正しく可視化することは、データ分析や機械学習全般の土台にあたる作業です。 今回は、データの統計的可視化でよく使われるライブラリ "Seaborn" を用いてよく使う可視化パターンについてまとめてみます。 環境とデータ 実行環境にはKaglleのKernelを使いますが、オープンソースライブラリJupyterを使えばほぼおなじことが可能です。 また、ちょう
この記事は，Open and Reproducible Science Advent Calendar 2020およびベイズ塾 Advent Calendar 2020の10日目の記事です。この記事では，ベイズ統計学と再現性に関わる次のようなケースについて考えてみます。 研究者のAさんは，ある実験操作をしたときとしなかったときで変数Vの平均値に差が生じるかどうかを調べるために，60名の実験参加者を30名ずつ無作為に統制群と実験群に割り当てて実験データを取得しました。変数Vの平均値を計算してみたところ，統制群は-0.028，実験群は0.348であったので，実験操作によって変数Vの平均値が数値的には増加しているように見えます(図1)。 図1. Aさんが収集したデータ。黒い横線は各群の平均値。 ところが，この変数VについてWelchのt検定 (両側検定，α = .05) を行ったところp = .
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
