「Octave」を含む日記

はてなキーワード: Octaveとは

2021-03-28

設定が雑なので雑に書くぞ。URL貼りすぎると投稿できないから所々自分で見つけて。

Python：Progate
数学と機械学習ちょっと、DeepLearningの触り（Pytorch Lightning）：キカガクの脱ブラックボックス講座
- 無料なの凄い。ただ練習問題が怪しい（直ってるかも）。

Udemy終わったら本

機械学習全般：［第3版］Python 機械学習プログラミング達人データサイエンティストによる理論と実践（インプレスブックス）
英語大丈夫ならCouseraのMachineLearning
- ↑の本自力で読めるならOctaveいじる必要もないし受けなくても良いけどとりあえずAndrew先生好きになるから修了する気なくとも見といていいんじゃない。

DeepLearning

とりあえずゼロから作るDeepLearning①～③写経
- DeepLearningってなんやねんってなったら息抜きにAIciaちゃん見せとけ：https://www.youtube.com/channel/UC2lJYodMaAfFeFQrGUwhlaQ
Pytorch
- とりあえず使い方知るだけならUdemy：https://www.udemy.com/course/hands-on-pytorch/
- ゼロ作とUdemyでもまだ基礎足らなそうなら本：PyTorch実践入門ディープラーニングの基礎から実装へ（マイナビBOOKS）
Tensorflow
- いい動画教材と出会えていないので本から：scikit-learn、Keras、TensorFlowによる実践機械学習第2版（オライリー）
- ブコメの公式が良いのはそれはそう。

理論（というか↑で紹介してない本）

TJO氏のブログみといて：https://tjo.hatenablog.com/entry/2021/02/05/180000
- はじパタは構成が好きじゃないのでわかパタか入門パターン認識と機械学習派（PRMLじゃなくてコロナ社のやつ）

古典的な数値計算手法や基本的な動作などの既存の積み木が豊富にある：曲線を描く, Fourier 変換, フィッティングアルゴリズムを再プログラミングしたくない. 車輪の再発明はするな!
学習が容易：計算機科学は科学者の仕事ではないし, 科学者が教育することでもないただ, 曲線を描きたい, 信号を平滑にしたい, Fourier 変換を数分で行いたい.
共同研究者や学生, 顧客と簡単に意思伝達ができ, コードが研究室や企業の中で機能する：コードは本のように読めるものでなければいけない. だから, プログラミング言語の構文の中の記号は少数であるべきだし, コードを読む読者の理解を数学的, 科学的なものから反らすようなルーチンも少なくあるべき.
迅速に実行できる効率的なコード...だとしても書くのに多くの時間をかけるものは速くても役に立たない. つまり, 書くことと実行することの両方の速度が必要.
できれば, すべてを1つの環境/言語で済ませたい, 新しい問題それぞれを解決するのに新しいソフトウェアを学ぶことは避けたい.

どの解法が科学者にとって役に立つのか?

利点：
- とても速い. 最適化したコンパイラ. 強烈に重い計算ではこれらの言語を越える性能を出すのは困難.
- 非常に最適化されたいくつかライブラリはこれらの言語のために書かれている. 例：blas（ベクトル, 行列演算）
欠点：
- とても使いにくい：開発が対話的にできない, コンパイルしなければいけない, 構文が冗長（＆, ::, }}, ; 等）手動でのメモリ管理（C では油断ならない）. これらの言語は非計算機科学者にとっては難しい言語.

利点：
- 様々な領域に渡った膨大なアルゴリズムが収集された豊富なライブラリがある. これらのライブラリはコンパイラ言語で書かれているので速い.
- 快適な開発環境：包括的でまとまったヘルプ, 統合開発環境等.
- 商用サポートが得られる.
欠点：
- 基本となる言語が粗末で高度なユーザにとっては制限が多い.
- フリーでない.

利点：
- オープンソースでフリー. そうでないものも Matlab より安い.
- いくつかの機能がとても先進的（R は統計, Igor は図等）.
欠点：
- Matlab と比較すると利用できるアルゴリズムは少ない, より先進的とはいえない.
- いくつかのソフトウェアは1つの領域に専念している. 例：Gnuplot や xmgrace は曲線を描く専門. これらのプログラムは強力だが曲線を描くなど1つの使い方に制限されてしまう.