壊れた3.5インチのHDDを破棄するために、HDDを分解しました。
写真を撮ったので、アップします。 別に珍しくもなんともないけど。
分解前
シールに隠されているネジがあるので、シールを剥がします。
全てのネジをはずして、カバーを開けます。
トルクスドライバの「T8」を使いました。
三日月型のプラスチックをはずします。
プラッタの中心部分のネジも外したかったですが、対応するドライバがなかったので、ここで諦めます。
裏側の基盤をはずします。
あとはプラッタを紙やすりなど、傷つけて破棄しました。 どこまで傷つければいいかは、正直分からない。。。
08/14(月)、フードコードで勉強しました。
最尤推定法：与えられたデータを正しく予測する確率を最大化する
tensorflow.initialize_all_variablesは2017/03/02以降に廃止された。替わりにglobal_variables_initializerを使うこと。
enumurator: カウンタと要素の両方が取得できる。便利！ https://docs.python.jp/3/library/functions.html#enumerate
numpy.multivariatenormal: 多次元正規乱数を生成する。 https://lucidfrontier45.wordpress.com/2011/07/23/multivariate_gauss/
numpy.eye: 単位行列を生成。
numpy.random.permutation: 配列をランダムに並び替える。 https://docs.scipy.org/doc/numpy/reference/generated/numpy.random.permutation.html
pandasライブラリ：データ解析用ライブラリ
pandas.DataFrame.as_matrix: numpyの配列に変換する
numpy.ndarray.T：transposeメソッド同じ。転置する。数学表記であるのが良いですね。
numpy.linspace：start～stop区間をnum等分したデータを生成する
リスト内包表記: 便利だけど、ちょっと見づらかった。慣れの問題？
[x**2 for x in range(0,5)] #⇒ [0,1,4,9,16]
ブロードキャストルール：「多次元リストに1要素を足すと、すべての要素に同じ値が足される」などのルール。
分散共分散行列；XとYの相関が分かる？
http://postd.cc/a-beginners-guide-to-eigenvectors-pca-covariance-and-entropy/#covariance
Windowsで数式から簡単にグラフを作成できるツールは？？？ MacならGrapher使うんだけどなー
numpy.linspaceの[linspace]は何の略？
⇒ 同僚から教えてもらった。Linear Space(線形空間）っぽい。名前と機能が合っていないが。
numpy.eye: なぜ「eye」という名前？
⇒同僚から教えてもらった。単位行列を生成するidentify関数と音を合わせたのかもしれない。
あと、numpyはMatlabユーザのことを考えていて、matlabだとeyeを使うらしい。
http://mathesaurus.sourceforge.net/matlab-numpy.html
n0, mu0, variance0 = 20, [10, 11], 20 data0 = multivariate_normal(mu0, np.eye(2)*variance0 ,n0) df0 = DataFrame(data0, columns=['x1','x2']) df0['t'] = 0
説明は「t=0(非感染)にのデータを乱数で発生する」のみ。 このコードの説明はなくてもTensorflowは理解できるけど、自分は「20を平均値にして～」ぐらいの説明が欲しかった。
TensorFlowのplaceholder機能はすばらしいと思う。処理とデータが分かれて、コードの可読性があがりそう。
共分散行列を調べるために、6年以上振りに「線形代数」の教科書を開いた。懐かしい。私はあの頃と比べて成長しているのかな？
地元のフードコートで勉強しました。
numpy.random.choice: 指定された数字の中からランダムに好きな数だけ取り出せる
ニューラルネットワークの学習の際に、認識制度を「指標」にしてはいけない。 認識精度とは、「100枚中32枚正しく認識したから32％」という値。 認識精度を使うと、微分がほとんどゼロになってしまうため。
学習：適切なパラメータを決める作業
学習率：どれだけパラメータを更新するかを決める値
ハイパーパラメータ：学習率のような値。人の手によって設定されるパラメータ
刻み幅hは1E-4程度であれば、いい結果が選られる。
刻み幅は大きすぎても小さすぎてもいけない。
http://www.geo.titech.ac.jp/lab/ida/numexe/manual/4/diff.html
lambdaは、無名関数が作成できる。
myfunc = lambda x: x ** 2
http://www.lifewithpython.com/2013/01/python-anonymous-function-lambda.html
if __name__ == '__main__': import文インポートされたかどうかの識別に使う。
numpyのarrayの型でハマった。
h = 0.1 x = numpy.array([3, 4]) x[0] = x[0] + h print(x) #⇒[3.1 4]を期待するが、[3 4]が表示される x = x + h print(x) #⇒[3.1 4.1]が表示される。
numpy.arrayは、型の異なる要素が混在してはいけないらしい。
できれば、x[0] = x[0] + hの処理で、アップキャストして欲しいんだけどなー
NumPy 配列の基礎 — 機械学習の Python との出会い
本棚を整理しました。
捨てる理由は、以下の通り。
コワーキングスペースで勉強しました。
os.getcwd()で、今のカレントディレクトリを表示できる
IPythonの起動時に実行したいスクリプトは、~/.ipython/profile_default/startup/に配置すればよい。
https://ipython.org/ipython-doc/3/interactive/tutorial.html#startup-files
sys.pathはモジュールを検索するパスを示す文字列のリスト。
https://docs.python.jp/3/library/sys.html#sys.path
Jupyter Notebookのショートカット集 http://qiita.com/masafumi_miya/items/6524dbd227705351a00c
Magick Command
?変数で、オブジェクトの詳細を表示できる!で、ShellScriptコマンドの実行
ipynbファイルの中身はJSON形式。
22ページ（72-93ページ＝3.6-3.7,4.1-4.2章）/ 3.5時間
分類問題：男か女かを分類するような問題
回帰問題：体重の予測のような数値を予測する問題
特徴量：入力データから本質的なデータを的確に抽出できるように設計された変換機
訓練データを使って学習し、テストデータを使ってモデルの実力を評価する。
2乗誤差、交差エントロピー誤差
34ページ(1-34ページ＝0.1-0.6章) / 1.5時間 勉強
関数プログラミングのメリットは、バグが少なくなるなどなど。
副作用を持つ手続きは、関数プログラミングの「関数」ではない。
関数型言語は一般的に、関数が第一級の対象である言語のこと。
第一級とは、その言語において単なる値と同じであること。
動的型付け、静的型付け
束縛
『ゼロから作るDeep Learning』の3.1～3.5章を読んで、Pythonで試しました。
def step_function(x): return np.array(x>0, dtype=np.int)
図書館にある大型絵本の中から、気になった絵本を挙げます。
