前の記事の追加(クラスとインヘリタンスその2)

前の記事の追加(クラスとインヘリタンスその2)

クラスとインヘリタンスその2

昨日アップした記事は「クラスとインヘリタンス」のCode部分の説明があまりなされていませんでした。

そこで今日はPetというスーパークラスを定義しDogやCatそしてTurtleのサブクラスを定義し、継承やオーバーライドのためのPythonのプログラムを作りました。

参考になさってください。

↑人気ブログランキングに参加しています。よろしければ1票を!

クラスとインヘリタンスその2

今日はPetというスーパークラスを定義しDogやCatそしてTurtleのサブクラスを定義し、継承やオーバーライドのためのPythonのプログラムを作りました。

クラスとインヘリタンスその2

昨日アップした記事は「クラスとインヘリタンス」のCode部分の説明があまりなされていませんでした。

そこで今日はPetというスーパークラスを定義しDogやCatそしてTurtleのサブクラスを定義し、継承やオーバーライドのためのPythonのプログラムを作りました。

参考になさってください。

↑人気ブログランキングに参加しています。よろしければ1票を!

クラスとインヘリタンス

トリというクラス(オブジェクト)を設け、鳴き声と飛行というメソッドをつくります。

クラスとインヘリタンス

Codeの説明

① スーパークラスBirdを作る(パラメーターはobject-スーパークラス)
② __init__関数(第一パラメーターはself,第2第3パラメーターはname,wingspan)
③ 初期設定の左辺はself.name、self.wingspan、右辺は対応する変数(第1・2param)
④ birdcall関数(メソッド)のparamはself、出力はchirpを表示
⑤ fly関数(メソッド)のparamはself、出力はflapを表示
⑥ サブ・クラスPenguinのパラメーターはBird(サブクラス)
⑦ 関数(メソッド)swim(self)、関数(メソッド)birdcall(self)、関数(メソッド)fly(self)では飛べないとオーバーライド
⑧ サブ・クラスParrotのパラメーターはBird(サブクラス)
⑨ __init__関数(第一パラメーターはself,第2第3第4パラメーターはname,wingspan,color)パラメーターが一つ増えたことで初期設定の__init__でBirdのcolor以外を継承する(インヘリタンス)

トリのクラスを定義してインヘリテンスを知ろう。
またトリというクラス(オブジェクト)を設け、鳴き声と飛行というメソッドをつくります。
このトリにはペンギンとパロットというサブクラス(オリジナルのオブジェクトとは少し違うメソッドや属性をもっています=インスタンスがオリジナル[スーパークラス]とは少し異なる)をつくります。この少し違ったものを作るのにインヘリテンスという概念が重要になります。
ペンギンはトリのクラスに属しますが、違う鳴き声をし、泳ぐという新しいメソッドをもち、飛行メソッドは「飛べない」と出力します(オーバーライドにより書き換えています)。
パロットは色という属性を持ちますが、メソッドはオリジナルのバードと同じ(これを継承[インヘリテンス]とよぶ)のように定義します。

Parrot:オウム、chirp:小鳥のさえずり(ちゅんちゅん)
flap:小鳥がパタパタ、quack:ガアガア

↑人気ブログランキングに参加しています。よろしければ1票を!

Python program coloring on Atom

Python(Atom)Code色表示

2019/5/21

① 赤:オブジェクト(Object)
② 紫:予約語
③ 青:関数(Method)
④ 緑:文字列
⑤ 白:変数・その他
⑥ 茶:定数・数値
⑦ 橙:クラス

↑人気ブログランキングに参加しています。よろしければ1票を!

Jupyternotebook-ModuleNotFoundについて

そこでググってみたらバージョン2と3を両方入れている場合はバージョン3のほうはpip3を使うと示していたのでpip3でnumpy,matplotlib etcをインストールしてみた。(Anaconda3でインストールしていると両方入ってしまう)

WSL Jupyternotebook-ModuleNotFoundについて

AI関連開発を再開した。

① Python3.6はコマンドプロンプトのバーチャルエンバイロメントで動いている。
② これは(>atom .)で起動する。
③ 上記はWSLでHydrogenをインストールしてもShift+Enterで動かないため回避策で行った。
④ コマンドプロンプトでは
・>python -m venv hydrovenv
・>hydrovenv\scripts\activate
・>pip freeze
・>atom .
で行う。
こののちAtomのOpen Projectをクリックして求めるPath上のフォルダを指定する。
⑤ これでShift+Enterでmatplotlibなどをインストールしている場合、図形などを描くことができる。
⑥ (hydrovenv)C:\Users\xxxxx>pip install Numpyなどでライブラリに入れるモジュールをインストールする。
⑦ しかしWSLでJupyternotebookを走らせなければならなかった。
⑧ プログラムからNumpy,matplotlib,Scipyなどを呼び出すとモジュール・ノットファウンドになってしまう。
⑨ 最初はWindowsの環境変数の問題だと思った。
⑩ 次に
・>pip list | grep numpy
をやったらnumpy(1.16.3)と表示された。(numpyが入っている証拠)
・>pip show numpyとやってみた。
/home/xxxxx/.local/lib/python2.7/site-packages
と表示された。(python2.7に入っていることを示す証拠)Python3を動かして、
・>>>import sys
・>>>import pprint
・>>>pprint.pprint(sys.path)
をやってみた。
⑪ バージョン2が入っていたので
・$ cp -r python2.7 pythonbu2.7(python2.7を無効化)
・Module not foundの現象は変わらなかった。
⑫ そこでググってみたらバージョン2と3を両方入れている場合はバージョン3のほうはpip3を使うと示していたのでpip3でnumpy,matplotlib etcをインストールしてみた。(Anaconda3でインストールしていると両方入ってしまう)(結局python3の方にはもともとnumpyなどが入っていなかったことになる)
⑬ みごとJupyter-notebookは稼働した。
⑭ No module named errorは解決された。
以上

↑人気ブログランキングに参加しています。よろしければ1票を!

Atom-WSL-PyCharm相関図

Atom-WSL-PyCharm相関図を簡単にまとめましたので中間報告的に記述します。(長短含めて)

Atom-WSL-PyCharm相関図

2019/01/06
Atom
① 印刷できない。
② Flaskがない。
③ データベースがない。
④ Moduleの管理が難しい。
⑤ Pythonの各属性を色表示できる。
⑥ JupyterのModuleを引き込むことができる。
⑦ Hydrogenでstep by stepのデバッグができる。(◎)
⑧ Windows特にExplorerが生で使える。
⑨ Demo Programが多数存在する。(◎)

WSL(Windows Subsystem for Linux)
① 印刷できない。
② データベースがない。
③ Jupyterのmoduleを引き込むことができない。
④ Step by stepのデバッグができない。
⑤ Windowsとのやり取りがUSB経由である。
⑥ Pythonの各属性を色表示できる。(◎)
⑦ Flask環境下でデバッグできる。(◎)
⑧ Linuxのコマンドがじかに実行できる。(◎)
⑨ Moduleの管理が比較的しやすい。

PyCharm
① Step by stepのデバッグができない。
② 有料でないとSQLite3(DB)が使えない。
③ 慣れていない。
④ Linuxのコマンドが使えない。
⑤ Jupyterとの連携がとりにくい。
⑥ 有料でデータベースが使える。(◎)
⑦ 印刷ができる。(◎)

以上

↑人気ブログランキングに参加しています。よろしければ1票を!

5ヶ年計画Revise up(ver3.0)

Qiitaに谷CEOの記事が載ったのでそれを参考にAIエンジニアになるための道程表をリバイズアップした。有用な記事、感謝いたします。

5ヶ年計画Revise up(ver3.0)

Qiitaに谷CEOの記事が載ったのでAIエンジニアになるための道程表(5ヶ年計画)をリバイズアップした。
有用な記事感謝いたします。

layout: “post”
title: “5ヶ年計画ver3.0”
date: “2018-12-18 13:38”

AIエンジニアに最低限必要な知識
まずは、AIエンジニアに最低限必要な知識を大きく6つに分けて見ました。
ここでは、将来AIエンジニアとして業務を行うにあたり、大きく分けて6つの内容の基礎知識の全体像を把握してください。

①プログラミングスキル
– Python
– numpy、pandas、matplotlib、scikit-learn、TensorFlowやkeras

この中で特にpandasを使いこなせると良いです。
機械学習を行う上で、データ前処理が必須なのですが、データ前処理を行う上で便利なライブラリです。

②数学
– 微分、線形代数、ベクトル、行列、確率など

③統計の知識
– 標準偏差、分散、確率分布、推定、検定などなど

④機械学習の基礎知識

教師あり学習と教師なし学習
前処理、特徴量設計、学習と評価
単回帰、重回帰分析、最小二乗法、パーセプトロン、ロジスティック回帰
決定木、ランダムフォレスト、サポートベクトルマシン、K-means
ディープラーニングの実装スキル及び知識
scikit-learn
TensorFlowやKerasなどのフレームワークの知識。
scikit-learnで学習済みモデルを作るまでの流れなど。
1.データの収集とデータの前処理欠損値の補完や外れ値の削除。
2.特徴量の設計(特徴量の選択)
3.モデル開発(モデルの選択と学習)
4.モデル評価・・・交差検定、混合行列で評価など。
⑤SQLを使ってデータベースを操作する知識。
– select、insert、update、delete、where、like、limit、sum、avg、max、group by、having、order by、テーブル結合、ビュー、サブクエリ、caseなどなど。

⓺クラウドの知識
– AWSやGCPやAzureなどのクラウドインフラ回りの知識。

大きく6つもあり以外と多いなと思われたかもしれませんが、一度に全てやるのではなく、まずは①と④の2つに絞ることをお勧めします。
理由は、実際にプログラムを書き、目に見える形にすることで継続して学びやすくなるからです。
はじめに理論から入ると独学だと挫折してしまうので。

人工知能を独学で勉強するオススメの方法
必要な知識は前の節で紹介しましたが、どのようにそれらを学べば良いのでしょうか。
①から⑥を学ぶ上で、以下のような順で知識を身につけていくことをお勧めしています。

フェーズ1 pythonによる機械学習プログラミングと人工知能概論を学ぶ。
フェーズ2 機械学習プログラミング。
フェーズ3 Kaggleに挑戦。
フェーズ4 SQL、スクレイピング、クラウドなどの技術も身につける。
フェーズ5 機械学習スキルを活用してプロダクト制作をする。
フェーズ6 教える(多分これはしないと思う)。

このフェーズごとに学んでいくことがもっとも自分自身に負荷をかけず、楽しく学ぶことができると考えています。

フェーズ1ではプログラミング初学者の方を指しております。
もし、プログラミングを初めてという方は是非フェーズ1から目を通してください。

フェーズ2では実際にフェーズ1で学んだ内容をベースに、機械学習プログラミングに関する勉強方法を説明して参ります。
既にscikit-learnを使った機械学習プログラミングを行なっている方は飛ばして頂いても構いません。

フェーズ3ではKaggleといったコンペティションを通じて実践的なプログラミングを学ぶ方法を記述しています。(これもしないと思います)

フェーズ4 機械学習をやる上で、データベースからデータを取り出すことは頻繁に行われますので、SQLの知識は必須です。ここでは、SQLの他にスクレイピング(データ収集用)、クラウドなどの技術の身につけ方を紹介します。(まずはAccessから)

フェーズ5 機械学習スキルを活用してプロダクト制作に取り掛かりましょう。このレベルまで到達した方は、プロダクトを通じて学ぶことが多いです。

フェーズ6 人に教えることで自分の分かっていなかったことが明確になることがあります。なので、友人などに機械学習を教えて自分の理解を深めることもよいでしょう。

以降、6つのフェーズごとに、どのようにこれらに取り組めば良いのか、お勧めの書籍などを紹介しながら説明していきます。

# 開発環境構築

1. PCにIpython、Python、Atom設定
・AtomではPython単体でデバッグ
・WSLとemacsでWebの練習問題をコピペで開発
・WEBのTopページをデザインおよび開発
・Topページ(index.html)の下でdemo.py demo.html demo.css demo.jsを開発
・各demoxx.pyデザイン、demoxx.htmlデザイン、代表.cssデザイン
・モジュール名を標準化
・モジュール一覧表を作成

2. Git、GitHub設定ー協力者選定
・GitHubを勉強(バインダーのもの)

3. ドキュメント計画策定
・モジュール一覧表を作成
・Pythonプログラム・ジャーナル整理
・HTMLジャーナル整理
・JSプログラム・ジャーナル整理

4. 開発計画

1. Python習得計画
2. 実機練習
3. Pythonプログラミング(コマンドプロンプトとWSL上で)
4. デバッグ
5. モデル構築
6. Ipytonデバッグ(WSL上でJupyternotebook)それをAtom環境下で開発(numpy,pandasの習得)

PCにIpython、Pyton、Atom設定

– Toshiba dynabook Satellite B554/K 使用
– ドキュメンテーション
– 開発環境下でテスト
– 逐一ブログアップ

# Git、GitHub設定ー協力者選定

– GiTHub学習
– 協力者要請

# ドキュメント計画策定

– 5ヶ年計画
– 1年間のスケジュール
– 3年間のスケジュール
– 最終計画

# 読書計画

– Qiita掲載中のドキュメント精読(仕掛中)
– オブジェクト指向で何故作るのか(購入済み)
– 新しいLinuxの教科書(購入済みー実機で参照したのち熟読)
– みんなのPython(購入済みー仕掛中、早めに)
– 日経Linux(購入)
– ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装(購入済みー熟読)
– Access学習(住所録作成・MySQL Queryを中心に学習)
– Qiitaでコピペしたドキュメント勉強(仕掛中)
– (プログラミング(Python)、統計的機械学習、深層学習(Deep Learning)、機械学習のための数学、確率・統計)
– やさしく学ぶ 機械学習を理解するための数学のきほん
– Ipython Interactive Computing and Visualization Cookbook(購入済みー最後に)
– その他

↑人気ブログランキングに参加しています。よろしければ1票を!

range(Python)

Cで学んだものとしてはこれらの便利なデータ構造やfor文の機能はびっくりだ。

range(Python)

Pythonのfor文はC言語のfor文とは性格が異なる。どちらかというと他の言語のforeachやC++でいうところのrange-based-forに近い。つまりリストやディクショナリなどのシーケンスの要素を一つづつとりだし、指定した変数に入れるという動作を要素の数だけ繰り返す。
Cで学んだものとしてはこれらの便利なデータ構造やfor文の機能はびっくりだ。

↑人気ブログランキングに参加しています。よろしければ1票を!

for文をAtom上のHydrogenを使ってみる

Hydrogenを使ってみる。

for文をAtom上のHydrogenを使ってみる

便利な補助関数としてrange, enumerateがある。rangeは0から指定した数までのリスト(正確には違う…),enumerateは要素のインデックスと要素のペアのリストを返してくれる。

↑人気ブログランキングに参加しています。よろしければ1票を!