ロボットや車が自律移動をする際に自分の位置を計測する手段としてGPSがあります。カーナビやスマートフォンの地図アプリなどでも自分の居場所を知るために利用されるGPSですが、障害物検知用のミリ波レーダやスキャンレーザの計測精度を評価するためのリファレンスとして使われることもあります。
GPSで取得した位置情報は緯度、経度の形で表されますが、それを解釈したり座標変換したりするやり方を間違えると本来とは全然違うを自分の位置を認識してしまうので注意が必要です。今回の記事では、GPSを正しく扱うために必要な基礎知識をメモとして残しておきます。
今回は以下の書籍を見て勉強させていただきました。
https://www.enri.go.jp/~fks442/K_MUSEN/1st/1st060428rev2.pdf
続きを読む
最近勉強しているPythonの扱いに少しずつですが慣れてきたので、世の中で公開されている機械学習サンプルデータを用いてデータ分析 + 予測モデル構築 + 精度評価の練習をしてみました。今回の記事では、その内のデータ分析作業にフォーカスしてみようと思います。
今回利用したのは、カリフォルニア大学アーバイン校(UCI)が公開しているものの一つである、「ワインの等級を予測するための学習データサンプル」です。
UCI Machine Learning Repository: Wine Data Set
UCI Machine Learning Repository: Wine Quality Data Set
公開されている学習データの中でもこれはかなり人気の高いものであり、上記の書籍のようなPythonの入門本などでは、「Pythonなら機械学習が手軽に試せる」ということを示すための例題として取り上げられることが多いです。
自分もこの書籍を読みながらPythonを勉強し、確かにScikit learnで機械学習が試せるというところまでは理解したのですが、肝心なデータの中身についてはあまり触れないままSVMやランダムフォレストによる予測モデル構築と予測という流れで進むので、そもそもどういう傾向を持つデータなのか、そして最終的に構築モデルによる予測精度がどれだけリーズナブルなものなのかが気になっていました。
そこで今回は、世の中のデータサイエンティスト達のプロセスを真似しながら、自力で予測モデルを構築するためのデータ分析に取り組んでみました。分析プロセスについては以下の記事を参照ください。
機械学習スタートアップシリーズ ゼロからつくるPython機械学習プログラミング入門 (KS情報科学専門書)
機械学習について基礎的な部分を勉強し始めたのですが、まずは「教師あり学習」で必要不可欠になる「ラベル付け」という作業について勉強したので、そのメモを書きます。
今回は以下の資料がとても分かりやすくまとめられていたので、その中でポイントになる部分をピックアップしてみました。
www.slideshare.net 続きを読む
エンジニアリング組織論への招待 ~不確実性に向き合う思考と組織のリファクタリング
ここ最近の自分のソフトウェア開発業務は、開発の納期に追われつつも、目標とする性能をなかなか達成できなくてかなり苦労していました。自分は管理職ではなくただの一般社員ですが、それでもソフトウェア開発を行うチームとして業務改善を行える余地がたくさんあるんじゃないかと思い続けていました。
何か解決策はないかと調べていたところ、とても参考になりそうな書籍を見つけたので、今回はそれを読んで参考になったポイントを書き留めておこうと思います。
世の中の凄腕データサイエンティスト達はどのようにしてデータ分析をしているのか調べていたところ、Kaggleのコンペに参戦して上位に食い込んでいる人の技術記事を見つけました。最終的にモデルを作って予測をするところまでの過程が分かりやすくまとまっているので、とても参考になりました。
今回の記事は、上記の記事を読んで学んだデータ分析のプロセスについてのメモです。
株式会社ソニックガーデンの代表である倉貫義人さんのブログで、「プログラミングの初心者を抜け出すための習慣」という記事を読みました。自分は流石に初心者ではないですが、かと言って上級者ですとも自信をもっては言えません。
今回読んだ記事に書いてあることは一見当たり前の事ですが、精神的に余裕が無かったりするとついつい疎かにしてしまうものばかりだったので、今後も意識していけるように、記事の概要及び読んだ感想をメモしておこうと思います。
記事の原文は以下のリンクよりご覧になれます。
kuranuki.sonicgarden.jp
