前振り

同じ学校に通っていた頃と違って、 社会人ともなると友達と遊ぶにも場所や時間を相談しないと会えないようになった。

私は友達と定期的に遊びたい。

しかし、手間がかかることもあり、遊びたいね、というだけではその遊びが実現することが少なくなった。

経緯

学位を取るための論文執筆が死ぬほど辛かった私は執筆の経験が浅いから苦しんだのだと仮説を置いた。

この仮説を検証するために論文よりレベルを落として薄い本を書くことを思い立った。

コード進行の例

Ⅵm→Ⅴ#→Ⅴ→Ⅳ#→Ⅳ

メタルでよく聞くコード進行。

エレキギターでパワーコードを用いる場合には簡単に演奏できる。

しかしアコースティックギターでローコードにポジションを取るとこの進行が弾きにくい。

python で環境構築をする際にrequirements.txtを利用することがある。

ただ、素直にrequirements.txtを作ると環境構築の再現性が低い場合がある。

移動ドの観点でまとめられた本。

相対音感の感覚がないと理解が難しい気がする。

キーボードやピアノ以外の楽器をやっている人間にも有益な内容だが、 キーボードの白鍵と黒鍵のイメージがないと辛い。

MLops

レベル1だけでもやっとけばええんちゃうか

やること

• データの前処理と保存
• 特徴量の抽出と保存
• 分類器の学習と保存
• それぞれのパラメータの保存

利点

実験する部分や追加したい機能の切り分けがしやすくなる。

サンプルプログラム

以下公式サイトより引用

import argparse

parser.add_argument("square", type=int,
                    help="display a square of a given number")
parser.add_argument("-v", "--verbose", action="store_true",
                    help="increase output verbosity")
args = parser.parse_args()
answer = args.square**2

解説

parser.add_argument("square", type=int,
                help="display a square of a given number")

引数の名前がsquare

型を指定できる。デフォルトはstr。

前に-がつかない名前は位置引数。

Using the Sentence Transformer to I’m trying to use Sentence Transformer to infer causal relationships between documents.

If we can do this, we can extract the cause and symptoms of the incident from the report.

So, I wondered if NLI could be used for feature learning to extract causal information. I thought.

What is NLI?

Inference of the relationship between two sentences

• Forward
• Inverse
• Unrelated

The three relations are.

Apply to causal relationships

If we apply the three relationships of NLI to causality, the following patterns are possible.

janomeのバージョンを上げると、分かち書きの出力をgeneratorで返すようになった。

generatorはメモリ効率が良いというメリットがある一方でリストでデータを保持したいという気持ちがある。

xlrdのバージョンによって、.xlsxファイルの読み込みに失敗する。

対策としてはバージョンを下げる。

pip3 install xlrd==1.2.0

参考リンク

https://qiita.com/fujitatsu0520/items/9e37c2bd2ba2adfd18d4

関連書籍

Pythonではじめる機械学習