「人生は20代で決まる」を読んだ
出会い
この本との出会いは大学入学してすぐだったと思う.大学の生協に並んでいた本でなんとなく手に取り買った記憶がある.それから数年,この本はほとんど読み進められることがなかった.というか存在すら忘れていた.
ふと社会人になって1年以上が経過し,部屋の本棚にあるこの本を見つけた.
開いた痕跡はほとんどなく,表紙もほぼ新品だった.
表紙にはこうある.
TEDの名スピーカーが贈る「仕事・結婚・将来設計」講義
The Defining Decade 人生は20代で決まる
記憶を遡ると,当時はYouTubeでTEDの動画を見ていた気もする.
購入に至ったのはその影響もあるかもしれない.
あらすじ
著者は,アメリカの心理学者でカウンセラーのメグ・ジェイ.
著者いわく21世紀を生きる若者に向けて書かれた本である.
大きく第一部から第三部までの構成で,仕事・恋愛・脳と肉体がテーマとなっている.
テーマ的にオタクが興味を持つ内容ではない気もするが…
著者のカウンセリング体験をもとに進行していく.日本とは異なる環境の若者達のカウンセリング体験であり,多少背景は異なるがそこは同じ人間である.かなり考えさせられる.
第一部
大学を卒業した若者達が登場する.登場してくる20代はリアルでまるで自分のことのように錯覚するくらい身近な話ばかりであった.第二部
テーマは恋愛だけれど,どうしようもなく地味な話.人間の悩みなんてくだらない.自分も人間だから染みた.第三部
脳みその話.前頭葉は20代でバリバリ成長するし,成長するがゆえに陥りがちな思考の傾向があるらしい.
不確実な状況であってもいかに冷静に考えて行動できるかにかかっいて,不安などのネガティブ要素に侵され人生を良くない方向に進んでいかない様に考える必要があるとの訴え.
感想
仕事に関しては,現在働いていることも相まって自分のことのように考えさせられた.
人生は100年続くかもしれないけれども,20代における選択は重要でけして先延ばしにしては行けないことであると再認識した.
学生で重視されるスキルと,人生に必要なスキルは異なることにはとても納得.一方,学生時代の学びも極めて重要だと思う.
仕事で不安や非力を感じまくっているが,これは20代では普通のことで,むしろ感じないほうが異常だとわかった.
まだ社会に出たばかり,1万時間の経験を積むぞ.
明日の報酬よりも今日の報酬に惹かれないよう,現在バイアスを意識して生きねば.
以上,人生を逆算して生きていきます.
追伸
最後まで読んで気づいたのだが,一度全部読んでいた笑
最初の方は忘れていたけど最後の方の既読感が凄かった.
全然新品じゃねーじゃん.嘘つき.
「ベイズ統計「超」入門」を読んだ
どんな本?
200年以上前に発見されたベイズの定理を優しく解説
サブタイ通り,曖昧なデータから未来を予測する技術を実例を用いて解説してくれる
図解・ベイズ統計「超」入門 あいまいなデータから未来を予測する技術 (サイエンス・アイ新書)
- 作者:涌井 貞美
- 発売日: 2013/12/17
- メディア: 新書
社内研修の統計講座という設定で話は進んでいく
統計インストラクターのお姉さんと社内研修を受ける社員2名の掛け合いがメイン
あと社員のお兄さんがアドバイスをくれる
どこがよかった?
実例がちょうどよかった
想像しやすく,ベイズの考えも理解出来た
学んだ技術や手法
ベイズ統計の概要
ベイズの定理
理由不十分の原則
ベイズ更新
ベイズ統計学
簡単なナイーブベイズ
どうやって進めたか
ひたすら読んだ
感想
学生時代に講義でならった「同時確率」や「条件付き確率」など確率の基本の復習になった.また,「事前確率」や「尤度」,「事後確率」を用いるベイズの定理への流れが単純明快で読みやすかった
確率分布や確率密度関数,中心極限定理に積分など
高校から学んできた数学的知識が線でつながるような感覚がした
次に読む本
VMインスタンスが立たない!
GCPマジわからん!
こんにちは元無職です
今回はここ数日で頑張ったことを書きます
頑張ったこと
前編として、1の躓きについてメモ
VMインスタンスを立てたかっただけなのに
クラウドに環境構築したかったのでGCPを使ってVMインスタンスを立てる事にしました。
まず、GCPのナビゲーションメニューからCompute Engine
を選択し、VMインスタンスを選択します。すると、VMインスタンス一覧が表示されます
インスタンスを作成
ボタンを押下します。
インスタンス作成画面で設定した項目は以下です。
- 名前
- 適当に
- リージョン
us-central1
を選択しました
- ゾーン
- マシンの構成
- マシンタイプを
n1-standard-4 (4 vCPU, 15 GB メモリ)
に変更
- マシンタイプを
- GPUプラットフォーム
- 上で選択したリージョンとゾーンでは、
NVIDIA Tesla T4
が使用できたのでこれを1枚選択
- 上で選択したリージョンとゾーンでは、
- ブートディスク
- OSは
Ubuntu
、バージョンはUbuntu 18.04 LTS
。標準永続ディスク100GB
で設定
- OSは
- ファイアウォール
HTTP トラフィックを許可する
にチェック
一番したの作成ボタンを押下するとインスタンスが作られます。書いていない項目はいじっていないです。また、リージョンとゾーンによって使用できるGPUの種類が異なるので注意してください。
ここで、GPUリソースを使用するので割り当ての確認をしておきましょう。
割り当てについてはGCPのナビゲーションメニューのIAMと管理
から確認できます。
指標と場所欄からインスタンス作成の際に選んだGPUなどのリソース割り当てを確認します。忘れてはいけないのは、指標でGPUs(all regions)
を選択し場所でグローバル
も確認することです。
アカウントに対してリソース割り当てがなされていないとインスタンスを立ち上げる際にエラーとなります。
Quota 'GPUS_ALL_REGIONS' exceeded. Limit: 0.0 globally.
これが何回も出て画面を叩き割りそうになったのは秘密です。
インスタンスが立ち上がったらSSH接続を確認してみましょう。
インスタンスを作成する際に、ファイアウォールの設定でHTTP トラフィックを許可する
にチェックを付けました。GCPナビゲーションメニューのVPCネットワーク
のファイアウォールルールから詳細を設定できます。
デフォルトではポート80空いてるし、IP全通しだからたぶんSSHできるでしょうということでこの辺は割愛。
SSH接続方法もたくさんあるしね。
後日談
インスタンス立ち上げっぱなしで課金されるので使用しない時は停止していたのですが、使用しようと思ってインスタンスを開始した際にエラーが出ました。
The zone 'projects/hogefuga/zones/us-central1-b' does not have enough resources available to fulfill the request. '(resource type:compute)'.
は?
リソース割り当ても確認してちゃんと使える状態だったしなんなんだと思って調べると、物理的リソースが余っていないとこんなエラーが出るらしい。待てばリソースは空くらしいが…。
待つのは嫌いなので、インスタンスのスナップショットをとってゾーンを変更して新しくインスタンスを立てました。
インスタンス立ち上げっぱなしならこんな事にはならないんだろうけどさ!
対処方法を探しています。
以上。ポチポチやるだけなのに躓くって…
Dockerについて学ぶ〜コンテナの操作〜
はじめに
前回に引き続い,Dockerに入門しています
今回はコンテナの操作についての学習メモ
使用している教材は「Docker/Kubernetes 実践コンテナ開発入門」
基本情報
Dockerコンテンは外から見ると仮想環境
ファイルシステムとアプリケーションが同梱された箱のようなもので,実行中・停止・破棄状態に分類される
実行中
docker container runで指定されたDockerイメージを基にコンテナが作成され,DockerfileのCMDやENTRYPOINTで定義されているアプリケーションが実行される
停止
実行中のコンテナはコンテナを停止するか,コンテナで実行されているアプリケーションが停止した場合に自動的に停止状態となる
破棄
停止したコンテナは明示的に破棄しない限りディスクに残り続ける
コンテナの実行・停止を繰り返すような環境ではディスクを専有して行くことになるので,不要なコンテナは破棄する必要がある
コンテナの作成と実行
docker container runはDockerイメージからコンテナを作成,実行するコマンド
$ docker container run [options] イメージ名 [:タグ] [コマンド] [コマンド引数] $ docker container run [options] イメージID [コマンド] [コマンド引数]
docker container run時に引数を与えることでDockerfileで指定したCMDを上書きできる
docker container runでコンテナを実行する際,docker container lsで表示するNAMESには適当な名前が振られるが,--name
オプションを付与することでコンテナに任意の名前をつけることが出来る
$ docker container run --name [コンテナ名] [イメージ名]:[タグ]
コマンド実行時の頻出オプション
-i
: docker起動時にコンテナ側に標準出力を繋いだままにする
-t
: 疑似端末を有効にする(-i
とセットで使用すし-it
と省略可能)
--rm
: コンテナ終了時にコンテナを破棄する
-v
: ホストとコンテナ間でディレクトリ,ファイルを共有するときに使用する
コンテナ一覧
$ docker container ls [options]
コンテナ停止
$ docker container stop コンテナIDまたはコンテナ名
コンテナの再起動
$ docker container restart コンテナIDまたはコンテナ名
停止したコンテナは破棄しない限り,docker container restartコマンドで再実行できる
コンテナの破棄
$ docker container rm コンテナIDまたはコンテナ名
Dockerコンテナは停止してもディスク上に残り続ける
--rm
オプションを付与することでコンテナ停止後に破棄することが出来る
標準出力の取得
docker container logsコマンドは実行している特定のDockerコンテナの標準出力を表示することが出来る
$ docker container logs [options] コンテナIDまたはコンテナ名
実行コンテナでのコマンド実行
docker container execコマンドでは実行しているDockerコンテナ内で任意のコマンドを実行可能
$ docker container exec [options] コンテナIDまたはコンテナ名 コンテナ内で実行するコマンド
ファイルのコピー
docker container cpで,コンテナ間,コンテナ・ホスト間でファイルをコピー可能
$ docker container cp [options] コンテナIDまたはコンテナ名:コンテナ内のコピー元 ホストのコピー $ docker container cp [options] ホストのコピー元 コンテナのIDまたはコンテナ名:コンテナ内のコピー元
運用管理コマンド
破棄
docker container pruneで実行していないコンテナを一括削除できる
$ docker container prune [options]
イメージも同様
$ docker image prune [options]
利用されていないDockerコンテナやイメージ,ボリューム,ネットワークといった全てのDockerリソースを一括で削除することも出来る
$ docker system prune
利用状況の取得
$ docker container stats [options] [表示するコンテナID]
所感
メモ書き程度にコマンド並べている程度ですが,教材である「Docker/Kubernetes 実践コンテナ開発入門」には想定する状況が記載されていてイメージしやすかったです
実務で使用するのが楽しみです
Dockerについて学ぶ〜イメージの操作〜
Dockerについて入門したいので,その学習メモ
使用している教材は「Docker/Kubernetes 実践コンテナ開発入門」
今回はDockerイメージの操作について
基本情報
Dockerの操作はイメージに関する操作とコンテナに関する操作の2つに大別される
Dockerイメージ
DockerイメージはDockerコンテナを作成するためのテンプレート
OSとして構成されたファイルシステムや,コンテナ上で実行するアプリケーションや依存しているライブラリ・ツール,どのプロセスがコンテナ上で実行されるかと言った実行環境などの設定情報を含んでいる
Dockerコンテナ
Dockerイメージを基に作成される,ファイルシステムとアプリケーションが実行されているもの
Dockerfile
Docker独自のドメイン固有言語を使ってイメージの構成を定義し,FROMやRUNといった命令を記述
Dockerfile自身がDockerイメージになるわけではなく,テンプレートを構築することをDockerイメージをビルドすると言う
ポートフォワーディング
Dockerコンテナは仮想環境なので,外から1つの独立したマシンのように扱えるが,アプリケーションで設定した公開ポートはコンテナポートと呼ばれるコンテナ内に限定されたポートとなる
つまりHTTPリクエストを受けるアプリケーションの場合,コンテナの外から来たリクエストをコンテナ内で実行しているアプリケーションにまで到達させる必要がある
そこでポートフォワーディングdocker container runコマンドに-pオプションでポートを指定する
-pオプションは{ホスト側のポート}:{コンテナポート}の書式で記述
$ docker container run -d -p 9000:8080 hoge/huga:latest
ホスト側のポートは省略可能で,この場合はホスト側で空いているポートが自動的に割り当てられる
Dockerのイメージ操作
イメージのビルド
$ docker image build -t イメージ名[:タグ名] Dockerfile配置ディレクトリのパス
-fオプション
docker image buildコマンドはデフォルトでDockerfileを探す
そうでないDockefileを利用したい場合は-fオプションを利用
--pullオプション
docker image buildでイメージをビルドする際,DockerfileのFROMで指定されているイメージを一度レジストリからダウンロードし,それをベースイメージにして新たにイメージをビルドする
--pullオプションでtrueを指定すると,docker image build時にベースイメージを強制的に再取得させることが出来る
ローカルにベースイメージのキャッシュが存在している場合,Dockerは差分を活かしてビルドしようとする
docker image build時に確実に最新のベースイメージを取得してからイメージをビルドしたい場合は--pull=trueをつける
DockerHub
GitHubと同様にユーザーや組織がリポジトリを持つことでDockerイメージを管理している
docker searchコマンドでDockerHubのレジストリに登録されているリポジトリを検索できる
$ docker search [options] 検索ワード
--limitを指定することで表示件数を制限可能
イメージの取得
DockerレジストリからDockerイメージをダウンロードしてくるには,Docker image pullコマンドを利用する
$ docker image pull [options] レポジトリ名[:タグ名]
docker image pullでダウンロードしてきたイメージは,そのままDockerコンテナとして利用できる
イメージ一覧
docker image lsではコマンドの実行対象であるDockerホストに保持されているイメージの一覧を表示する
Dockerホストとは,Dockerデーモンを実行しているホスト環境
$ docker images ls [options] [リポジトリ [:タグ]]
イメージのタグ付け
docker image tagはDockerイメージのお特定のバージョンにタグ付けを行う
イメージIDはDockerイメージが変更・コピーされた際に変わる
Dockerで1つのタグに紐付けられるイメージは1つまでで,latestは最新のものにしか付けられない
Dockerイメージのタグはある特定のイメージIDを持つDockerイメージを識別しやすくするために利用されており,リリース番号を付けてイメージを管理しやすくするために使われる
イメージの公開
docker image push コマンドは保持しているDockerイメージをDockerHubレジストリに登録できる
$ docker image push [options] リポジトリ名 [:タグ]
DockerHubは自分が所有しているリポジトリにしかPush出来ないのでdocker image tagコマンドでイメージの名前空間を変更する
$ docker image tag example/echo:latest DockerHubのID/echo:latest
docker image pushでイメージを指定してDockerHubへPushする
docker image push DockerHubのID/echo:latest
公開するリポジトリにPushするイメージやDockerfileには,パスワードやAPIキーといった情報を含めないよう注意
所感
イメージとコンテナの関係,Dockerfileの役割を理解したところでDockerとはどんなものなのか分かった気がする
次はコンテナの操作についてやっていく
会社を辞めました
メリークリスマス!リア充爆発しろ!
こんにちは無職です
将来が不安で震えながらこの記事を書いています
この記事は彌冨研 Advent Calendar 2019 24日目の記事です
新卒入社した会社を辞めたので退職エントリを書きます
あんた誰?
彌冨研で人には言えない伝説を作った男
追い出されるように平成最後の年に卒業した者です
これからも宮○先生のC++連続履修回数記録を破るやつは現れないでしょう
なぜITエンジニアに?
まず伝説のじゃんけん大会に始まり…
長くなるので割愛すると彌冨研に入ったことがきっかけです
他の研究室だったらコード書きてぇなんて言っていなかったでしょう
そんなこんなでITエンジニアやりたいと思いました
どんな会社に入社した?
プロダクトを自社で開発運用しており、界隈では高いシェアの商材を有するWeb系ベンチャーに入社しました
雰囲気的にはガンガン成長というよりは比較的安定しているといった感じでした
入社した当初は変革の風が吹き荒れていましたが、辞める頃には落ち着きつつありました
エンジニア部隊は開発とアーキテクトが存在するといった規模感で、PHPとJSメインのLNMP環境でWebサービスを開発する会社でした
そもそも何でその会社?
面白そうな独自データがあることや新しい技術に明るそうだったこと、規模的に自分次第でどうとでもできそうだったという理由で決めました
当時は学業が楽しく就活に時間を取られるのが嫌だったことと、実際に働いてみなけりゃ何もわからんだろ的な考えがありました
働いてみて
変革の時期?であったため、 入社直前に色々とありましたが、無事にエンジニアとして働き始めることができました
マナー研修と骨折する程の厳しい修行が数日間、あとはOJT的な流れで実務へといった感じで俗に言う研修的なものはほぼ無かったです
とにかく手を動かすスタイルでイキっていたので気になりませんでしたが、エンジニアの教育に関しては放置プレイでした
また、既存製品の生みの親がすでに会社を去っていたり仕様書等のドキュメントがほとんどないという状態であったので、とにかく製品に触れて理解していくといった感じでした
組織の方針は、既存製品のスケールではなく新規プロダクトをスピード重視で開発していくというものでした
自身も入社2ヶ月程で新規プロダクト開発チームにアサインされたので、既存製品の二の舞いにならないようにしようという思いで開発していったという感じです
なぜ辞めるのか
チーム開発がしたかった
メンバーの個の能力は高かったと思いますが、完全分業縦割りでチーム開発の文化はありませんでした
全体を把握している人間が存在せず、テックリードとは名ばかり(何かあったら責任を取る役割?)
製品開発初期の段階において、将来のクライアントとの窓口である営業と開発の連携が必要な場面では特に辛かったです
口癖がしょうがないになりました
製品ビジョンが謎
小さな会社なのに上層部の考えていることが何もわからない
現場ではクライアントの言うことが絶対でその通りに作る下請けといった感じでした
とにかくカスタマイズありきで、クライアントが欲しいと言っているから作るみたいな
ボク傭兵ヤダ
成長とは
各々やることは最低限やっていたと思います
しかしエンジニア組織やチーム、製品の今後を考えると納得が行かない点がありました(どうしたいのか共有してほしかった)
売れなきゃ無駄、保守運用?とにかく動くものだろ!ということだったのでしょうか
開発とアーキがいるのにもったいない
やっぱり学んだことがやりたい
入社を決めた理由に面白そうなデータを持っている点がありました
しかしデータを使える状態にすることからはじめなくてはならなかった(データ活用基盤プロジェクトはあったがポシャった)
活用を想定せずに集積されたデータを弄くるなんてメインプロジェクトの片手間では無理でした
ある程度できる(金になる)ことを示しプロジェクト化できなかった
これから
上記の理由で辞める決断をしました
結局は実力不足じゃね?とか、組織を知るという意味では短すぎるし全然これから改善していけるのでは?とか考えましたが、今やりたいことを優先しました
長い年月をかけて形成されたものを、ぽっと出の新人が変えられるはずもなく
悠長に待っていることは自分には出来ませんでした
理由はネガティブでしたが、現場で開発者として働いたことで、自分がどうしたいのかが明確になったので良かったです
次は今より小さい会社
求められるレベルは高く明確
自分の活躍の場は自分で作るぞという気持ちでがんばります
おまけ
入社1社目の社員の皆さんは聞いていた通り、いい人たちでした
最後に色々な社員と話をして、今が最も挑戦できるときだと感じました
恋人も家族も家も車も金もない超身軽サイコー
LightGBMとOptunaを使って遊んだ(前編)
はじめに
LightGBMとOptunaで遊んだのでメモ
LightGBMとは
決定木に基づいた勾配ブースティングの機械学習フレームワーク
教師あり学習手法
決定木
決定木は条件に基づいて分岐を行う
これによりターゲットクラスを分類
アンサンブル学習
複数モデルを融合させて1つの学習モデルを生成する手法
「バギング」、「ブースティング」、「スタッキング」といった手法に大別
「バギング」によるアンサンブル学習をランダムフォレストと言う
「ブースティング」は前の弱学習器の結果を次の学習に反映させる
勾配ブースティング
「ブースティング」を用いたアンサンブル学習手法
LightGBMにおける決定木の扱いは「Leaf-Wise」であり、訓練時間が短い傾向にある
また、訓練データの特徴量を階級に分けてヒストグラム化することで、意図的に厳密な枝分かれを探さず、大規模なデータセットに対しても計算コストを抑えられる
以下、LightGBMを使ってた予測までの流れ
import lightgbm as lgb # 適当なデータとそのラベルを用意し、訓練とテストに分割する # train:学習データ # target:ターゲットデータ X_train, X_test, y_train, y_test = train_test_split(train, target, test_size=0.1, random_state=0608) # データセットの生成 lgb_train = lgb.Dataset(X_train, y_train) lgb_valid = lgb.Dataset(X_test, y_test, reference=lgb_train) # LightGBMのパラメータ指定 params = { 'boosting': 'gbdt', 'objective': 'gamma', 'metric': 'fair', 'num_leaves': 31, 'learning_late': 0.01, 'feature_fraction': 0.9, 'bagging_fraction': 0.8, 'bagging_freq': 5, 'verbose': 0, 'num_iterations': 20000, 'early_stopping_rounds': 200, 'seed': 42 } # モデルの学習 model = lgb.train(params, lgb_train, valid_sets=lgb_valid, categorical_feature=features_idx, verbose_eval=200) # テストデータで予測 predicts = np.expm1(model.predict(test))
パラメータについて
'boosting': boostingアルゴリズム(デフォルトはgbdt)
'objective': 目的変数
'metric': 評価指標
'num_leaves': 木の末端ノード数
'learning_late': 学習率
'feature_fraction': 使用する特徴量の割合
'bagging_fraction': 使用するオブジェクトの割合
'bagging_freq': バギングの間隔(0の場合はバギングなし)
'verbose': 学習経過の情報表示(-1で非表示)
'num_iterations': 木の数
'early_stopping_rounds': 性能が頭打ちになった時点で止める基準
'seed': シード値
目的変数について
回帰問題であれば正規分布を仮定したデフォルトのrmse
年収やある事象がおこる間隔など正規分布に当てはまらない様な分布に対してはgamma
一定期間内に起こるランダムな事象のカウントを予測する場合にはpoisson
過学習への対策
feature_fraction
やfeature_freq
の値を下げる
bagging_fraction
とbaggin_freq
を使用する
これにより、学習の高速化も期待できる
lgb.trainの引数
上で説明したようなパラメータ
学習データ(categorical_featureで使用したいカラムを指定することができる)
学習したモデルで推論
model.predictにテストデータを渡してあげるだけ
参考サイト
Parameters — LightGBM 2.3.2 documentation
【アンサンブル学習】多様性が大事? バギング・ランダムフォレスト編 - Np-Urのデータ分析教室
勾配ブースティングで大事なパラメータの気持ち - nykergoto’s blog
scikit-learnとLightGBMの評価関数比較 - Qiita
LightGBM 徹底入門 – LightGBMの使い方や仕組み、XGBoostとの違いについて