トップページ支援授業「情報システム工学特論」サポートページ

授業「情報システム工学特論」サポートページ


資料

1. Python の基礎

1-1 プログラミング

次のことを学ぶ:ソースコード,開発環境,主なプログラミング言語,どのプログラミング言語でもだいたい共通すること(オブジェクト,メソッド,データの種類)

動画 URL: https://www.youtube.com/watch/?v=Z2KjpYwNzOY\

資料: [PDF], [パワーポイント]

1-2 Python プログラミング入門

次のことを学ぶ:Python プログラムの実行法,オンラインの開発環境,PythonTutor,式,変数

動画 URL: https://www.youtube.com/watch/?v=17ShK7KXOGY\

資料: [PDF], [パワーポイント]

1-3 プログラミングの基礎

プログラミングの基礎である式の抽象化と関数を、Python を用いて説明

動画 URL: https://www.youtube.com/watch/?v=VsasG8pjhDY

資料: [PDF], [パワーポイント]

2. Python の演習

2.1 Python を使ってみる (paiza.IO を使用)

Python などのプログラミング言語を学ぶことができるオンラインサービス paiza.IO を使ってみる。

動画 URL: https://www.youtube.com/watch/?v=wsJrdpMbYfs

資料: [PDF], [パワーポイント]

2.2 Python の標準ライブラリを使ってみる (paiza.IO を使用)

Python の標準ライブラリを使用。現在の日時、最大公約数、方程式を解く、平方根、円周率を使った計算、三角形の面積。

動画 URL: https://www.youtube.com/watch/?v=_1iceZOVx1E

資料: [PDF], [パワーポイント]

3. Rシステム,R のオブジェクト,ヒストグラム,散布図,折れ線グラフ,要約統計量

第3回の内容

3.1 R システムと R Studio の概要

動画 URL: https://www.youtube.com/watch?v=o5y1-sslpuQ

説明資料: [PDF], [パワーポイント]

3.2 R システムのインストール

動画 URL: https://www.youtube.com/watch?v=JPeAF0TBjqg

上の動画の内容に RTools のインストールについての説明を書き加えた資料

URL: https://www.kkaneko.jp/data/rinst/rinstall.html

3.3 RStudio のインストール(Windows 上)

説明資料:https://www.kkaneko.jp/data/rinst/rstudio.html

3.4 R システムを用いた散布図、折れ線グラフ統計量、ヒストグラム

説明資料:[PDF], [パワーポイント]

● パッケージの設定(前準備として)

install.packages("ggplot2")
install.packages("dplyr")
install.packages("tidyr")    
install.packages("magrittr")
install.packages("KernSmooth")

R オブジェクトのコンストラクタ

x1 <- data.frame( 年次=c(1985, 1990, 1995, 2000, 2005, 2010),
                 出生数=c(1432, 1222, 1187, 1191, 1063, 1071),
                 死亡数=c(752, 820, 922, 962, 1084, 1197) )

ヒストグラム(Iris データセットのヒストグラム)

library(dplyr)
d2 <- tbl_df( iris )
library(tidyr)
library(magrittr)
library(KernSmooth)
library(ggplot2)
d2 %>% select( Sepal.Length, Sepal.Width, Petal.Length, Petal.Width ) %>% gather() %>% ggplot( aes(x=value, fill=key) ) +
  geom_histogram( binwidth=dpih( use_series(d2, Sepal.Length) ), alpha=0.5, position="identity") +
  theme_bw()

ヒストグラムでの区間幅の調整

library(ggplot2)
ggplot(iris, aes(x = Sepal.Length)) +
  geom_histogram(binwidth=0.1) +
  theme_bw()

library(magrittr)
library(KernSmooth)
library(ggplot2)
ggplot(iris, aes(x = Sepal.Length)) +
  geom_histogram(
    binwidth=dpih( iris$Sepal.Length ) ) +
  theme_bw()


散布図、折れ線グラフ

x1 <- data.frame( 年次=c(1985, 1990, 1995, 2000, 2005, 2010),
                 出生数=c(1432, 1222, 1187, 1191, 1063, 1071),
                 死亡数=c(752, 820, 922, 962, 1084, 1197) )
library(ggplot2)
ggplot(x1, aes(x=年次)) +
  geom_point( aes(y=出生数, colour="出生数"), size=3 ) +
  geom_point( aes(y=死亡数, colour="死亡数"), size=3 ) +
  labs(x="年次", y="出生数, 死亡数") +
  theme_bw()

x1 <- data.frame( 年次=c(1985, 1990, 1995, 2000, 2005, 2010),
                 出生数=c(1432, 1222, 1187, 1191, 1063, 1071),
                 死亡数=c(752, 820, 922, 962, 1084, 1197) )
library(ggplot2)
ggplot(x1, aes(x=年次)) +
  geom_point( aes(y=出生数, colour="出生数"), size=6 ) +
  geom_point( aes(y=死亡数, colour="死亡数"), size=6 ) +
  geom_line( aes(y=出生数, colour="出生数"), size=2 ) +
  geom_line( aes(y=死亡数, colour="死亡数"), size=2 ) +
  labs(x="年次", y="出生数, 死亡数") +
  theme_bw()

x1 <- data.frame( 年次=c(1985, 1990, 1995, 2000, 2005, 2010),
                 出生数=c(1432, 1222, 1187, 1191, 1063, 1071),
                 死亡数=c(752, 820, 922, 962, 1084, 1197) )
library(ggplot2)
ggplot(x1, aes(x=年次)) +
  geom_point( aes(y=出生数, colour="出生数"), size=6 ) +
  geom_point( aes(y=死亡数, colour="死亡数"), size=6 ) +
  stat_smooth( method="lm", se=FALSE, aes(y=出生数, colour="出生数"), size=2 ) +
  stat_smooth( method="lm", se=FALSE, aes(y=死亡数, colour="死亡数"), size=2 ) +
  labs(x="年次", y="出生数, 死亡数") +
  theme_bw()

グラフのファイルへの保存
  このプログラムで「1.png」とあるのは、グラフのファイル名です。グラフは画像ファイルとして保存されます。

x1 <- data.frame( 年次=c(1985, 1990, 1995, 2000, 2005, 2010),
                 出生数=c(1432, 1222, 1187, 1191, 1063, 1071),
                 死亡数=c(752, 820, 922, 962, 1084, 1197) )
library(ggplot2)
png("1.png")
ggplot(x1, aes(x=年次)) +
  geom_point( aes(y=出生数, colour="出生数"), size=3 ) +
  labs(x="年次", y="出生数") +
  theme_bw()
dev.off()

要約統計量、頻度、ヒストグラム

d1 <- data.frame(
    科目=c("国語", "国語", "算数", "算数", "理科"),
    受講者=c("A", "B", "A", "B", "A"),
    得点=c(90, 80, 95, 90, 80) )
summary(d1)

d1 <- data.frame(
    科目=c("国語", "国語", "算数", "算数", "理科"),
    受講者=c("A", "B", "A", "B", "A"),
    得点=c(90, 80, 95, 90, 80) )
library(ggplot2)
ggplot(d1, aes( x=科目, fill=科目 )) +
  geom_bar(stat="count") +
  labs(x="科目", y="総数") +
  theme_bw()

d1 <- data.frame(
    科目=c("国語", "国語", "算数", "算数", "理科"),
    受講者=c("A", "B", "A", "B", "A"),
    得点=c(90, 80, 95, 90, 80) )
library(ggplot2)
ggplot(d1, aes( x=得点 )) +
  geom_bar(stat="count") +
  labs(x="得点", y="総数") +
  theme_bw()

4. CSV ファイルのインポートとエクスポート,主成分分析,ロバスト主成分分析

第4回の内容

4.1 CSV ファイルのインポート,エクスポート

説明資料:[PDF], [パワーポイント]

install.packages("dplyr")

データフレームを CSV ファイルにエクスポート
library(dplyr)
d <- data_frame(
    name=c("apple", "rose", "rose", "tomato"),
    color=c("red", "white", "pink", "red"),
    price=c(100, 400, 200, 40) )
write.csv(d, file="C:/hoge/hoge.csv")

※ 「C:/hoge」は作業用のディレクトリ.
前もって作成しておくこと.

データフレームに CSV ファイルからインポート
library(dplyr)
m <- read.csv(file="C:/hoge/bar.csv")
print(m)

4.2 次元削減,主成分分析,ロバスト主成分分析

説明資料:[PDF], [パワーポイント]

前準備
install.packages("ggplot2")
install.packages("pcaPP")

主成分分析
x <- rnorm(100000, mean=5, sd=5) 
y <- rnorm(100000, mean=5, sd=5)
n <- floor( runif(100, 1, 100000+1) ) 
d8 <- data.frame( xx=x[n],  yy=y[n] )
d8$yy <- d8$yy - (d8$xx + d8$yy) * 0.6
library(ggplot2)
ggplot(d8, aes(x=xx)) + 
  geom_point( aes(y=yy), size=3 ) + theme_bw() 
a <- prcomp(d8)
print(a$rotation)

主成分分析(データの合成の部分を変更)
x <- rnorm(100000, mean=5, sd=5) 
y <- rnorm(100000, mean=5, sd=5) 
n <- floor( runif(100, 1, 100000+1) ) 
d9 <- data.frame( xx=x[n],  yy=y[n] )
d9$yy <- d9$yy + (d9$xx - d9$yy) * 0.8
library(ggplot2)
ggplot(d9, aes(x=xx)) + 
  geom_point( aes(y=yy), size=3 ) + theme_bw() 
a <- prcomp(d9)
print(a$rotation)

主成分分析は外れ値に弱い
x <- rnorm(100000, mean=5, sd=5) 
y <- rnorm(100000, mean=5, sd=5) 
n <- floor( runif(100, 1, 100000+1) ) 
d9 <- data.frame( xx=x[n],  yy=y[n] )
d9$yy <- d9$yy + (d9$xx - d9$yy) * 0.8
d10 <- data.frame( xx=rnorm(10, mean=-20, sd=1), 
  yy=rnorm(10, mean=5, sd = 1) )
d11 <- rbind( d9, d10 )
library(ggplot2)
ggplot(d11, aes(x=xx)) + 
  geom_point( aes(y=yy), size=3 ) + theme_bw() 
a <- prcomp(d11)
print(a$rotation)

pcaPP パッケージを用いて robust PCA23:03 2021/05/17
x <- rnorm(100000, mean=5, sd=5) 
y <- rnorm(100000, mean=5, sd=5) 
n <- floor( runif(100, 1, 100000+1) ) 
d9 <- data.frame( xx=x[n],  yy=y[n] )
d9$yy <- d9$yy + (d9$xx - d9$yy) * 0.8
d10 <- data.frame( xx=rnorm(10, mean=-20, sd=1), 
  yy=rnorm(10, mean=5, sd = 1) )
d11 <- rbind( d9, d10 )
library(ggplot2)
ggplot(d11, aes(x=xx)) + 
  geom_point( aes(y=yy), size=3 ) + theme_bw() 
library(pcaPP)
a2 <- PCAgrid(d11)
print(a2$loadings)

5. 相関と相関係数,二標本の t 検定

5.1 相関と相関係数

説明資料:[PDF], [パワーポイント]

プログラム1

x <- rnorm(100000, mean=5, sd=5)
y <- rnorm(100000, mean=5, sd=5)
d7 <- data.frame( xx=x[floor( runif(100, 1, 100000+1) )],
  yy=y[floor( runif(100, 1, 100000+1) )] )
d7$yy <- d7$yy + (d7$xx - d7$yy) * 0.6
library(ggplot2)
ggplot(d7, aes(x=xx)) +
  geom_point( aes(y=yy), size=3 ) + theme_bw()
cor(d7$xx, d7$yy)

プログラム2

x2 <- rnorm(100000, mean=5, sd=5)
y2 <- rnorm(100000, mean=5, sd=0.1)
d10 <- data.frame( xx=x2[floor( runif(100, 1, 100000+1) )],
  yy=y2[floor( runif(100, 1, 100000+1) )] )
d10$yy <- 0.1 * d10$xx + d10$yy
library(ggplot2)
ggplot(d10, aes(x=xx)) +
  geom_point( aes(y=yy), size=3 ) + xlim(-5, 15) + ylim(-5, 15) +
  theme_bw()
cor(d10$xx, d10$yy)

プログラム3

x2 <- rnorm(100000, mean=5, sd=5)
y2 <- rnorm(100000, mean=5, sd=0.1)
d11 <- data.frame( xx=x2[floor( runif(100, 1, 100000+1) )],
  yy=y2[floor( runif(100, 1, 100000+1) )] )
d11$yy <- 0.4 * d11$xx + d11$yy
library(ggplot2)
ggplot(d11, aes(x=xx)) +
  geom_point( aes(y=yy), size=3 ) + xlim(-5, 15) + ylim(-5, 15) +
  theme_bw()
cor(d11$xx, d11$yy)

5.2 二標本の t 検定

説明資料:[PDF], [パワーポイント]

プログラム1

t.test( c(128, 104, 124, 85, 120), c(100, 106, 89, 89, 105), var.equal=F )

プログラム2

t.test( c(128, 104, 124, 85, 120), c(180, 190, 189, 131, 130, 150), var.equal=F )

6. 平均と分散,機械学習による自動分類

6.1 平均と分散

動画 URL: https://www.youtube.com/watch?v=qUdpcMUdzts

説明資料:[PDF], [パワーポイント]

プログラム1

x <- round( rnorm(1000000, mean=100, sd=20) )
x[floor( runif(5, 1, 1000000+1) )]
x[floor( runif(5, 1, 1000000+1) )]
x[floor( runif(5, 1, 1000000+1) )]

プログラム2

x <- round( rnorm(1000000, mean=100, sd=20) )
m <- numeric(20)
v <- numeric(20)
for (i in 1:20) {
  s <- x[floor( runif(5, 1, 1000000+1) )]
  m[i] <- mean(s)
  v[i] <- var(s)
}
print(m)
print(v)

プログラム3

x <- round( rnorm(1000000, mean=100, sd=20) )
m <- numeric(20)
v <- numeric(20)
for (i in 1:20) {
  s <- x[floor( runif(5, 1, 1000000+1) )]
  m[i] <- mean(s)
  v[i] <- var(s)
}
for (i in 1:20) { print( mean(m[1:i]) ) }
for (i in 1:20) { print( mean(v[1:i]) ) }

6.2 機械学習による自動分類

動画 URL: https://www.youtube.com/watch?v=iZtPtATSnYc

説明資料:[PDF], [パワーポイント]

プログラム1

install.packages("ggplot2")
install.packages("dplyr")
install.packages("klaR")

プログラム2

library(ggplot2)
ggplot(iris, aes(x=Sepal.Length)) + 
  geom_point( aes(y=Sepal.Width, colour=Species), size=3 ) + 
  theme_bw() 

プログラム3

library(ggplot2)
ggplot(iris, aes(x=Petal.Length)) + 
  geom_point( aes(y=Petal.Width, colour=Species), size=3 ) + 
  theme_bw() 

プログラム4

library(dplyr)
library(klaR)
d <- tbl_df(iris[c(3,4,5)])
partimat(Species~., data=d, method="lda")

7. Web サーバ,リクエスト URL,Dash

l

学ぶトピックス:Web サーバ、リクエストURL、Dash

HTTP メソッド: Web サーバに対する要求内容を示すもの.GET (取得),POST(送信),PUT(送信),DELETE(削除)がある.

Web サーバ: HTTP メソッドと,リクエスト URL を受け取って処理と返答を行うサーバ

Python の Flask: Web アプリケーションのフレームワーク,Webサーバの機能を含む.リクエストURLを解析し,処理と返答を行うプログラムを簡単に書くことができる.

Flask の Web サーバ: 「app.run(debug=False, host="0.0.0.0", port=5000)」のように書くと,ポート 5000 で Flask が起動する.

Python の Dash: Dash を利用することにより,グラフの表示,Python のデータフレームの表示などが簡単にできる.

Flask でのルーティング:「@app.route('/user/<username>')」では, 「<username>」の部分は変数である. 「@app.route('/user/<username>')」は,「/user/1」や 「/user/2」や「/user/kaneko」などのさまざまなリクエスト URL にマッチする. そして,マッチした場合には,1 や 2 や kaneko が Python の変数 username に格納される.

8. JSON,NoSQL データベース

8.1 NoSQL データベース

NoSQL データベース [PDF], [パワーポイント]

動画 URL: https://www.youtube.com/watch?v=ZoZjNXpj1z

8.2 JSON

JSON [PDF], [パワーポイント]

動画 URL: https://www.youtube.com/watch?v=8tQwAiBz2SM

8.3 Cloud FireStore

Cloud FireStore [PDF], [パワーポイント]

参考資料: Python で Google Firebase の Cloud Firestore (クラウド・ファイアストア)を使ってみる

動画 URL: https://www.youtube.com/watch?v=GzX7ysvMQjk

参考資料: Google Firebase の Cloud FireStore を使ってみる

学習目標:Cloud FireStore: プロジェクトの作成、データベースの作成、データベース内にコレクションやドキュメントの作成。以上はWebブラウザで行う

8.4 Key-Value ストアのシステム Redis

動画 URL: https://www.youtube.com/watch?v=LBvcbMKxDDk

9. 3次元地図システム,公開地図データベース OpenStreetMap

9.1 3次元地図 F4map

F4mapは,公開型世界地図であるOpenStreetMapを3次元表示できる機能をもった オンラインの地図サービスである. F4map の「デモ」は,Web サーバの上で動いている.緯度,経度などの情報は URL の中のパラメータとして受け取る.

F4map の URL: https://www.f4map.com/

動画 URL: https://www.youtube.com/watch?v=BxWbOwYPRXI

資料(Web ページ): https://www.kkaneko.jp/db/3dmap/f4map.html

9.2 公開地図データベース OpenStreetMap

10. Web システム

R システムのブログラムに対して,Web ブラウザからアクセス.

10.1 Shiny のギャラリー

説明資料: Shiny のギャラリー [PDF], [パワーポイント]

10.2 Shiny の仕組み,Shiny のインストール

説明資料: Shiny の仕組み,Shiny のインストール [PDF], [パワーポイント]

Shiny の機能

R システムの標準オブジェクト

shiny のインストール

install.packages("shiny")

shiny を動かしてみる

  1. 次の 2つのファイルを作成.

    ファイル名はこの通りにすること. 2つのファイルは、同じディレクトリ(フォルダ) に置くこと

    ui.R

    library(shiny)
    
    shinyUI(fluidPage(
      sidebarLayout(
          sidebarPanel(
                sliderInput("breaks",
                            "please select a number:",
                            min = 1,
                            max = 50,
                            value = 30)
        ),
        
        mainPanel(
          plotOutput("distPlot")
        )
      )
    ))
    

    server.R

    library(shiny)
    
    shinyServer(function(input, output) {
      output$distPlot <- renderPlot({
        hist(faithful[,2], breaks = input$breaks)
      })
    })
    
  2. ui.R, server.R のディレクトリ名(フォルダ名)を確認
  3. R システムのコンソールで,次のように操作

    「C:/Users/user」の部分は、 実際に ui.R, server.R があるディレクトリに読み替える

      library(shiny)
      runApp("C:/Users/user")
    

10.3 Shiny のウィジェット

説明資料: Shiny のウィジェット,Shiny でテキスト表示,テーブル表示 [PDF], [パワーポイント]

library(shiny)

shinyUI(fluidPage(
  sidebarLayout(
      sidebarPanel(
            sliderInput("breaks",
                        "please select a number:",
                        min = 1,
                        max = 50,
                        value = 30)
    ),
    
    mainPanel(
      textOutput("distPrint")
    )
  )
))

library(shiny)

shinyServer(function(input, output) {
  output$distPrint <- renderText({
    input$breaks * 12
  })
})

library(shiny)

shinyUI(fluidPage(
  sidebarLayout(
          sidebarPanel (
            numericInput("breaks",
                        "value = ?", value=0)

    ),
    
    mainPanel(
      textOutput("distPrint")
    )
  )
))

11. 機械学習,ニューラルネットワーク

機械学習により獲得できる能力の例:

分類、検出、認識、予測、合成、翻訳、特徴抽出など。 コンピュータがこれらを自動で行う。 学習を重ねることで、これらに上達する

機械学習

ニューラルネットワーク

ニューラルネットワークの構造

ニューラルネットワークの活性化と伝搬

学習では、正解との誤差が少なくなるように、結合の重みが自動調整される。 正解は、教師データから得られるもの。

11-1 機械学習,ニューラルネットワーク

説明資料: [PDF], [パワーポイント]

11-2 Google アカウントの作成

動画 URL: https://www.youtube.com/watch/?v=Wx04o8U1w7c

説明資料: [PDF], [パワーポイント]

11-3 Google Colaboratory

Google Colaboratory は,オンラインで Python プログラムが編集,実行できるサイト.

TensorFlow など,人工知能の実験を行うときに便利.

動画 URL: https://www.youtube.com/watch/?v=Aq7kFzVszVg

説明資料: https://www.kkaneko.jp/cc/colab/colab.html

参考資料: Python の主な機能(Google Colaboratory を使用)

12. ニューラルネットワークの基礎

ニューラルネットワークの基礎について、理解を深める。

学習、教師データ、検証用のデータ、学習不足、過学習

説明資料: [PDF], [パワーポイント]

13. ニューラルネットワークの利用

説明資料: [PDF], [パワーポイント]

プログラムは、次で公開

https://www.kkaneko.jp/db/classify/tutorials.html

Google Colaboratory へのリンク (利用には Google アカウントが必要)

https://colab.research.google.com/drive/1IfArIvhh-FsvJIE9YTNO8T44Qhpi0rIJ?usp=sharing

15. リレーショナルデータベース入門

SQLite を用いた SQL 入門演習

.open --new C:\\sqlite3\\mydb

.exit

CREATE TABLE products (
  id INTEGER PRIMARY KEY NOT NULL,
  name TEXT NOT NULL,
  price REAL); 

INSERT INTO products VALUES( 1, 'orange', 50 );
INSERT INTO products VALUES( 2, 'apple', 100 );
INSERT INTO products VALUES( 3, 'melon', 500 );
SELECT * FROM products;

SELECT * FROM products WHERE  price > 90;

drop table products;

CREATE TABLE teacher (
  id INTEGER PRIMARY KEY NOT NULL,
  name TEXT NOT NULL,
  teacher_name TEXT NOT NULL); 

CREATE TABLE student (
  id INTEGER PRIMARY KEY NOT NULL,
  student_name TEXT NOT NULL,
  tid INTEGER NOT NULL,
  score INTEGER); 

INSERT INTO teacher VALUES(1, 'db', 'k');
INSERT INTO teacher VALUES(2, 'python', 'a');
SELECT * FROM teacher;

INSERT INTO student VALUES(1, 'kk', 1, 85);
INSERT INTO student VALUES(2, 'aa', 1, 75);
INSERT INTO student VALUES(3, 'nn', 1, 90);
INSERT INTO student VALUES(4, 'kk', 2, 85);
INSERT INTO student VALUES(5, 'nn', 2, 75);
SELECT * FROM student;

SELECT * FROM teacher, student
WHERE teacher.id = student.tid;

Python から SQL を使う

https://www.kkaneko.jp/tools/win/python.html

pip install -U pandas

python

import os
os.getcwd()

import pandas as pd
import sqlite3
c = sqlite3.connect('hoge.sqlite')
sql = u"""
create table iris (
  id integer     primary key,
  sepal_length   real, 
  sepal_width    real, 
  petal_length   real, 
  petal_width    real, 
  species         text );
"""
c.execute(sql)


x = pd.read_csv( 'c:\\iris.csv', header=0 )
for index, r in x.iterrows():
    sql = u"insert into iris values (?, ?, ?, ?, ?, ?)"
    c.execute(sql, (r[0], r[1], r[2], r[3], r[4], r[5]))

c.commit()


cur = c.cursor()
cur.execute(u"select * from iris")
for t in cur:
    print (t)

c.close()


exit()

より詳しく学びたい人への個人ワーク

SQLiteman のインストール.データベースの新規作成.テーブル定義.

その資料: https://www.kkaneko.jp/data/sqlite3/sqliteman.html


関連トピックス

マーカ付きの地図作成(OpenStreetMap を利用)

学ぶトピックス:オンライン地図サービス OpenStreetMap, マーカー、Folium、地図アプリ

コンピュータビジョン

ニューラルネットワークを作るプログラム

import tensorflow as tf 
import keras 
from keras.models import Sequential
m = Sequential()

from keras.layers import Dense, Activation
import keras.optimizers
m.add(Dense(units=64, input_dim=4))
m.add(Activation('relu'))
m.add(Dense(units=3))
m.add(Activation('softmax'))
m.compile(loss=keras.losses.categorical_crossentropy,
          optimizer=keras.optimizers.SGD(lr=0.01, momentum=0.9, nesterov=True))

ニューラルネットワークの確認表示

print(m.summary())

ニューラルネットワークの学習を行うプログラム

import numpy as np
x = np.array(
[[0, 0, 0, 0],
 [0, 0, 0, 1],
 [0, 0, 1, 0],
 [0, 0, 1, 1],
 [0, 1, 0, 0],
 [0, 1, 0, 1],
 [0, 1, 1, 0],
 [0, 1, 1, 1],
 [1, 0, 0, 0],
 [1, 0, 0, 1],
 [1, 0, 1, 0],
 [1, 0, 1, 1],
 [1, 1, 0, 0],
 [1, 1, 0, 1],
 [1, 1, 1, 0],
 [1, 1, 1, 1]])

y = np.array(
[0, 
 0, 
 0, 
 2,
 0,
 1, 
 0,
 0, 
 0,
 0,
 1,
 0,
 2,
 0,
 0,
 0])

m.fit(x, keras.utils.to_categorical(y), epochs=500)

ニューラルネットワークを使ってみる

m.predict( np.array([[0, 1, 0, 1]]) )

第1層と第2層の間の結合の重みを表示

m.get_weights()[2]

ラズベリーパイは使わずに Windows パソコンで行う.Webブラウザを使う.

http://playground.tensorflow.org

コンピュータビジョンに関するクラウドサービス の紹介

Microsoft Cognetive Service を動かす

説明資料: 説明資料 [PDF], [パワーポイント],

さまざまな機能がある. https://docs.microsoft.com/ja-jp/azure/cognitive-services/computer-vision/ で確認できる

R システムでのテーブルデータ処理,オブジェクトの保存,データベースシステムとの連携

クラスタリング