オリンピック、マラソンはパラリンピックの後にやれば、よくね？

１１月とかでも・・・別に夏にまとめてやらなくても、
１年を通じて、いつかやれば、よくね？

朝早くするのは限界があるし（夜明け前の真っ暗な時から走るのは・・）

札幌にしてしまうと、
東京は暑いからＸ→東京より南はもっと暑いからＸ
ということになり、今後オリンピックは東南アジアやアフリカでは開催できなくなり、
地球温暖化で開催できる国がすくなくなっていき、
挙句の果てには、南極でペンギンと一緒にマラソン、白くまと一緒にレスリング
とかになってしまう・・・・（それはない？）

Ｐ．Ｓ　もし札幌に移して、マラソン当日、
東京の気温より札幌の気温のほうが暑かったら、ど～するんだろう・・・
札幌も、最近は結構暑いぞ！

からあげクン、宇宙食へ

まだそうじゃないみたいだけど・・・
からあげクン、サクッと打ちあげ？プレ宇宙日本食に認定
https://www.msn.com/ja-jp/news/techandscience/からあげクン、サクッと打ちあげ%ef%bc%9fプレ宇宙日本食に認定/ar-AAJvXRx
・・・でも、一般には売らないみたいよ・・・

八ッ場ダムは必要。

いらないとか言ってた政権、なかったっけ？

台風19号から利根川・荒川流域の鉄道を救った ダムと遊水地の大きな効果
https://www.msn.com/ja-jp/news/national/台風19号から利根川・荒川流域の鉄道を救った-ダムと遊水地の大きな効果/ar-AAJs0C2

流体力学を有限要素法で・・・

というのを

FreeFem++とPythonで実装する偏微分方程式ハンズオン #2【流体力学編】
https://liberal-arts-beginners.connpass.com/event/151647/

で、教わってきたはずだが、よくわかっていない。とりあえずメモ

---

流体力学入門
・固体：変形しにくい
・液体・気体：変形しやすい→流体
・流体力学：流体の運動の性質について調べる分野
　→流体は物質で満たされた場：偏微分方程式で解く
・流体の運動方程式
　解析計算が極めて困難
　有限要素法による解

今井功「流体力学」

非圧縮性流体
・非圧縮性流体：圧力をかけても体積が変化しない流体。数学的には∇u=0
・Ｎｅｗｔｏｎ流体：船団変形と応力が比例。数学的にはσ＝２ηＤ（ｕ）－ＰＩ

応力テンソル：でびえーたー
　Ｄｅｖ（σ）：＝σー1/3tr（σ）Ｉ
　→σ＝Ｄｅｖ（σ）＋1/3tr（σ）
　　　　　　　　　　　　－Ｐと表す
非圧縮性Ｎｅｗｔｏｎ流体の方程式
→Ｎａｖｉｅ－Ｓｔｏｋｅｓ方程式
・圧力について
　一意に決まらない→条件つける
　　平均０、ぺなりてぃほうなど

流れ関数：流れの可視化に使う。非圧縮流体で出てくる

Couette(くえっと)ながれ
→テイラー図
層流→乱流へ

Reynoldsを見ると流体の振る舞いがある程度わかる
Re＜40層流
４０＜Ｒｅ＜１０００　カルマン渦
Ｒｅ＞１０００　乱流

『避難訓練コンサート』！

コンサート中に避難訓練！！

杉並公会堂 × 荻窪消防署　『避難訓練コンサート』
http://www.suginamikoukaidou.com/event/1174/
（以下太字は上記サイトより引用）

防災の秋、杉並公会堂は荻窪消防署との協力企画として、2013年、2015年、2017年に続き4度目の「避難訓練コンサート」を実施します。このイベントは、コンサート本番中の災害を想定し、お客様に実際に避難していただく、ホールを会場とした「避難訓練」です。コンサート中に演奏を一時中断し、ホールスタッフの誘導でお客様に避難していただきました後、再び演奏をお楽しみいただきます。

もう、すでに３回もやっているんですか（＠＿＠）
実際の震災の場合、非難の後は演奏どころじゃないだろうけど（＾＿＾）

台風の避難訓練って、してないよね・・・

地震の避難訓練があったんだけど、
これ、台風の時には使えないなあ・・・と
目の前が川なのに、外に避難するんです・・・

地震と台風は避難訓練、分けたほうがいいよね。
そして台風の避難訓練も、しないとやばいよね・・・

FreeFEMを使って、有限要素法で偏微分方程式を解く方法を

聞いてきた

FreeFem++とPythonで実装する偏微分方程式ハンズオン #1 【有限要素法編】
https://liberal-arts-beginners.connpass.com/event/142760/

んだけど、難しい話のわりに、肝心なことが書いてなかったので、
メモしておかないと忘れてしまいそうなので、メモメモ

---

・偏微分方程式を数値的に解く方法として有限要素法がある
・有限要素法を行うフリーソフトに「FreeFEMがある
・FreeFEMを使って図を書くこともできるし
　ＣＳＶファイルに結果を書きだし、
　そのＣＳＶファイルを読み込んでPythonで描きだすこともできる
　　→今回はこちらを実行

＜＜有限要素法を行って図に書き出すには＞＞

【事前準備】
・ＦｒｅｅＦＥＭのインストール
　ここ　https://freefem.org/ Downloadをクリック

【手順】
・有限要素法を行うファイルの作成（拡張子.edp）
　　→内容は後述

・ＦｒｅｅＦＥＭを起動する
　→ファイル名を聞いてくるので、上記で作成した.edpファイルを
　　指定する
　→ＣＳＶファイルができる

・ＣＳＶファイルをＰｙｔｈｏｎ等で表示する。

【ファイルの書き方】
※講義の中で言っていた「手順」とは、このファイルの書き方らしい
　講義の手順と対応して書いている（同じこと書いてもわからないと
　思うので、書き換えている）

・手順１：境界を書き、その中を差三角形に分解する
　　→境界を式で指定、 buildmeshで分割数を指定すれば、
　　　自動的に参画分列が所得できる。

・手順２：分解した三角形を近似する
　　→fespace Vh(Th, P1);の第二引数で指定、P1は一次関数、P2は二次関数
　　→基底関数という

・手順３：行列方程式を解く
　　→problemで弱形式で対象を規定すれば
　　あとは係数行列にして、行列方程式を解くところは
　　ＦｒｅｅＦＥＭがやってくれる。

※具体的なソースコードは、https://freefem.org/をスクロールすると
　でてくる（立方体が回っている横）

＜＜参考サイト（講義では紹介してなかったけど・・・）＞＞
FreeFem++の紹介
https://qiita.com/t_kemmochi/items/418bdc55e4937381711e

Pythonで最短距離を求める

方法を

じっくり理解するグラフ理論・ネットワーク分析の仕組みの解説とハンズオン
https://liberal-arts-beginners.connpass.com/event/149327/

で教わってきたので、成果披露。

networkxを使う。こんなかんじ

##########################################
#   例
##########################################
G=nx.DiGraph()

#各ノード、エッジ定義（距離と価格２つの値を持てる）
G.add_edge(1,2,distance=100,cost=100)
G.add_edge(2,3,distance=150,cost=100)
G.add_edge(1,3,distance=220,cost=300)

#グラフを書く
nx.draw_networkx(G)
plt.show()

#距離で最短を求める
result=nx.shortest_path(G,1,weight='distance')
print(result)

#運賃が最安値を求める
resultnx.shortest_path(G,1,weight='cost')
print(result)

結果はこんなかんじ


なお、講義ではやってなかったけど、
最短距離はダイクストラ法が有名。ダイクストラ法の場合は
shortest_pathの代わりに

all_pairs_dijkstra_path_length
とかを用いる。

https://showa-yojyo.github.io/notebook/python-networkx/shortest-path.html


参照。dijkstra_path(G, source, target[, weight])とかの使い方は
Shortest Paths
https://networkx.github.io/documentation/networkx-2.2/reference/algorithms/shortest_paths.html

にある。

XGBoostは、だいたいこんな感じらしい

XGBoostの原論文を完全に理解する
https://ml-for-experts.connpass.com/event/144710/
を聞いて、だいたいこんな感じ？というのをメモ

---

【論文概観】

・提案する手法
1.欠損データ、重み付き分位点の算出の高速化→ 3章で説明
2.勾配情報のプリフェッチ、ブロック圧縮、断片化→ 4章で説明

・２章
　ロス関数→テイラー展開による近似
　特徴量をランダムサンプリング:Column Subsampling

・３章
　分割点探索
　重み付き分位点の算出→高速化

・４章
　ＣＳＣによる行列データ圧縮
　勾配情報のプリフェッチ
　ブロック圧縮、断片化


【詳細】
●２章
決定木（ＣＡＲＴ）
・ＣＡＲＴ→２分される
・ノード：根ノード　葉ノード　末端　
　　　分割すべき変数
　　　分割する場所
　　　木の形（深さやリーフの数）
　　　各リーフの値

ロス関数、正則化項
・一般のツリーブースティング
　外れた部分（残差）をまた別の木で近似して…という形で
　additive mannerで訓練する．
　　↓
・XGBoost
→２次の項までのテイラー展開する
　　Ω（ft）が最小値となるＷを求める
　→ｇとｈの情報を持っていれば、ｗが計算できる

木の成長（学習方法）
・グリーティ・アルゴリズム

過学習を防ぐ
・シュリンケージ：イテレーションが増えるごとにηをかける
　→勾配法で学習率を小さくしている手法と同じアイデア
・コラム　サブサンプリング：特徴量をサンプリングする

●３章
・分割候補点をどう決めるか
　単純にグリーディーでやると大変
　→各特徴量をパーセンタイル点で区切り、
　　各パーセンタイル点を分割候補店として探索する
　　→パーセンタイル点で区切る方法:
　　　treeごと（＝全体で１回）global
　　　splitごと（分岐したごとにやり直し） local

・重み付き分位点の採用
　→単純にパーセンタイル点で区切るのではなく、二次偏微分の値で
　　重み付けする
　　※ロス関数をiについてまとめると。hiの重みが付いているので
　　　　　↓
　重み付き分位点の高速化(Weighted Quantile Sketch)
　　分割候補点を求める方法
　　　ソートする→パーセンタイルを求める
　　　　→ソートに時間がかかる
　　ソートの工夫
　　　マージオペレーション
　　　→集合をマージしても誤差はそれほど変わらない
　　 プルーン(prune)オペレーション
ランクｄとサマリーＱを指定すると、近いものを返す
　Ｑｕｅｒｙ　Ｆｕｎｃｔｉｏｎを定義
　　　→データをb+1個まで減らしたとき、approxination errorはε+1/b
　　　　で抑えられる

・欠損データの取り扱い
　あらかじめ、木のどちらに行くか決めておく
　　右に行く、左に行くと決めて、よいほうをとる


●４章（を５分で）
・読めばわかる
・ＣＳＣ：ソートの計算コストの削減
　行列を３つのベクトルで表現する
　　　非０要素の位置と値をベクトル化

「OSC2019 Tokyo/Fall」セミナープログラム公開と参加登録開始だって！

このメールは、転送、転載自由です。

ってことなので、受け取ったメール（の一部）をそのまま転載する。

====================================================================
「OSC2019 Tokyo/Fall」セミナープログラム公開と参加登録開始のご案内
====================================================================

　セミナープログラムの公開と参加登録の受付を開始しましたので、
　ご案内させていただきます。

　→ https://www.ospn.jp/osc2019-fall/

　タイムテーブルをご覧いただき、参加希望セミナーへの事前登録をお願い
　します。

　オープンソースカンファレンスでは、様々なテーマのセミナーがすべて
　無料で聴講できます。セミナータイトルをクリックしていただくと、
　セミナーの概要、対象者、前提知識、カテゴリーなどが表示されます。

──────────────────────────────────

□■□ --【オープンソースカンファレンス2019 Tokyo/Fall】-- □■□

★セミナー参加登録受付中！⇒⇒⇒ https://www.ospn.jp/osc2019-fall/

◆日時：11月23日(土) 10:00-18:00（展示：11:00-17:30）
　　　　11月24日(日) 10:00-17:30（展示：10:00-16:00）

◆入場：無料
◆会場：明星大学 日野キャンパス 28号館 2F(OSC受付)
◆主催：オープンソースカンファレンス実行委員会
◆内容：オープンソース関連の最新情報提供 (展示・セミナー)
◆twitterハッシュタグ：#osc19tk OSCアカウント @OSC_official

= 前回の開催レポート =
→ https://www.ospn.jp/press/20181119osc2018-tokyofall-report.html

──────────────────────────────────


登録しなきゃ！

最先端のスパコンで1万年かかる問題を瞬時に解く実験に成功した・・・

・・・もようだ。」って、成功したの？（昔から、これができれば・・・の話はあったけど・・）

「超計算」人類の手中に　グーグル実証か
https://www.nikkei.com/article/DGXMZO51143200Y9A011C1MM8000/

”おっぱい丸出し”で日光浴するフランス人女性減少

具体的には、こんなかんじ

今回の調査でトップレスになると答えた50歳未満のフランス人女性は、20％を下回った。10年前の調査では28％、1984年には43％がトップレスになると回答していた。

理由は

18～25歳の若い女性は、トップレスになりたくない最大の理由として、ハラスメントや体形批判、男性たちからいやらしい目つきで見られることなどを挙げた。

昔はいやらしい目つきで見なかったのでしょうか？
フランス人男性は素晴らしいです。
私は、１９８４年ごろから、今でも一貫して、おっぱい丸出しの女の人がいたら、いやらしい目つきでみてしまいます・・・修行が足りていません。

【引用元】
トップレスで日光浴するフランス人女性減少、その理由とは 調査
https://www.afpbb.com/articles/-/3236844
（太字は上記サイトより引用）

ベイズ推論についての基礎を聞いてきた！

10月14日

【初心者向け】ベイズ推論の基礎理論とハンズオン
https://liberal-arts-beginners.connpass.com/event/149324/

を聞いてきた！メモ

---

・ネイマンピアソン→頻度主義：従来の統計

確率分布と尤度
・離散確率分布
事象の集合：{x1,x2....Xn}(Nは無限でもよい）の各元に対して
それぞれの値をとる確率
さいころP(X=1)=1/6

・連続確率分布
　確率変数Ｘが区間（a,b)に入る確率
b
　　∫ｆ（x)dx
　　a
　→これが尤度：大きいほうが良い

※確率変数：とる値に確率が与えられているもの。

条件付き確率
Ｐ（Ｘ＝ｘ｜Ｙ＝ｙ）
　→縦棒が出てきたらじょうけんつきかくりつ

ベイズ推論の枠組み
・ベイズの定理に従う
　Ｐ（Ｘ｜Ｙ）＝Ｐ（Ｙ｜Ｘ）Ｐ（Ｘ）／Ｐ（Ｙ）

　てもとにある観測結果Ｙという条件のもとに
　確率変数Ｘの分布

確率変数：とり値に確率が与えられている
　トライやるが多いほうがＰの推定値を自信を持っていえそう

ベルヌーイ分布
・２つの事象の確率
表Ｘ＝１　裏Ｘ＝０
Ｐ（Ｘ｜Ｐ）＝Ｐ＾Ｘ（１－Ｐ）＾１－Ｘ

β分布
Ｐ（Θ｜a,b)＝1/Bata(a,b)Θ＾（a-1）Θ＾b-1
　　　　　　＝ＣΘ＾（a-1）Θ＾b-1
事前分布にβ分布を使う
Ｐ（Ｘ｜Ｐ）＝Ｐ＾Ｘ（１－ｐ）＾１－Ｘ
β分布

Ｐ（X|P）P(P)=＝ＣＰ＾５＋a-1 (１－Ｐ）＾5+B+q
＝ Ｂｅｔａ（ａ＋５、ｂ＋５）
無情報事前分布（a=1,B=1のとき）

１５回やったほうが、尤度が高くなる
a,bは正ならばよい

100個のうち、５個赤、のこり青
１個取り出し、１０回繰り返す。全部青

頻度主義
　赤が出る確率０

ベイズ
　ベルヌーイ分布をつかう
　全部青が出る確率
　　（１－ｍ）＾１０
　Ｐ（ｍ）をｍ（１－ｍ）に比例する形で選ぶ
　　Ｐ（ｍ）＝Ｃｍ＾a-1(1-ｍ）^5+b-1
　事前分布を計算できる
　　Ｐ（X|ｍ）P(m)＝(1-m)^10 C ｍ＾a-1 (1-ｍ）+b-1
　　Ｃm^a-1 (1-m)10+b+1
　　＝Ｂｅｔａ（m|a,10+b) a=1,b

→これをもとにする：ベイズ更新
　　
線形回帰モデル
　ｔ＝ax+b+ε
　εは誤差項：ガウス分布に従う→Ｐ（ε）＝Ｎ（０、σ＾２）
　ε＝t-ax+b
　Ｎ（０、σ＾２）＝１／√(2πσ^2) exp ( - ε^2 / 2σ^2)
　＝C exp(-1/(2σ^2)(t-ax-b)^2)
　＝N(t|ax+b、σ^2)
　＝Ｐ（ｔ｜a,b)

尤度
→最尤推定はパラメータについて最大化

ベイズ推定
　ＭＡＰ推定
　→事後分布：Ｐｏｓｔｅｒｉｏｒ（ぽすてりあ）
　　ＭＡＰ：まきしまむ　あ　ぽすてりおり
　　事後分布を最大化する
　対数をとると
　　　　　　　　Ｎ
　Ｌ＝-1/2σ^2 ∑(tn-aXn-b)^2 -β/2a^2 -β/2b^2
　　　　　　　　n=1
　δＬ／δa = 1/σ^2 ∑ (tn-aXn-b)(-Xn)-βa＝０とする
　　＝-1/σ^2 ∑ tnXn -b/σ^2 ∑Xn
　　＝ a(β＋ １／σ^2 ∑Xn)

　β部分がなければ、二乗差誤差
　→回帰の最尤推定は二乗和誤差と一緒

　－１をかけると、リッジ回帰（正則化線形回帰）

ハンズオン
・ベイズ推定→多重共線性を回避することができる

pythonでwebカメラの画像をPNGファイルに保存するプログラム

機械学習で学習させるのとかで、
Webカメラの画像をＰＮＧファイルに保存するプログラムが
必要な場合、こんなかんじ（Python+OpenCVを利用）

import cv2

cap = cv2.VideoCapture(0)

if cap.isOpened() is False:
    print("IO Error")
else:
    ret, frame = cap.read()
    if ( ret == True ):
        cv2.imwrite("image.png", frame)
    else:
        print("Read Error")

cap.release()

※cv2.VideoCapture(0)の０はカメラ番号。
カメラを内蔵しているＰＣで、ＵＳＢのＷｅｂカメラをつけて、そちらの画像が欲しい場合
cv2.VideoCapture(1)と、番号を０から１にかえる

※image.pngのところを、保存したいファイル名に変えてくれれば、
　指定したファイルに保存する

※簡単に書く（エラー処理しない）と、以下でＯＫ
import cv2
cap = cv2.VideoCapture(0)
ret, frame = cap.read()
cv2.imwrite("image.png", frame)
cap.release()

※PythonとOpenCVのインストールのしかたは、前のエントリ参照。

AnacondaにOpenCV入れるなら、イマドキはopencv-pythonがイイ感じ！

（以下失敗談を書きます。成功方法だけ知りたい人は、以下２本の線を引きますので、
　２本目の線から終わりまでを実行すればＯＫ）

---

Jupyter NotebookでOpen CV使いたいから

import cv2

ってやったら、パッケージないといわれ、テキトーに
Anacondaのプロンプトを出してpip install opencv って打ってもエラー。

なので、ちょっとまじめに

PythonでOpenCVをいれて、イメージを表示するまで
https://ameblo.jp/smeokano/entry-12285116787.html

を見て、OpenCVのサイトに行ったら、

OpenCV – 4.1.1
https://opencv.org/releases/

ってことで、4.1.1が出ているので、それをダウンロードしてexe実行
（アプリがないみたいなメッセージが出るがいいえすると、続行できる）
解凍してできた（つまり、exeは自己解凍ファイル）opencvフォルダの下

opencv\build\python\cv2\python-3.7\cv2.cp37-win_amd64.pyd

をAnacondaが入っている（C:\Users\user\Anaconda3）ところの下の

C:\Users\user\Anaconda3\Lib\site-packages

に入れても、import cv2でエラー

・・・だめだめです。

---

結局、opencv-pythonっていうのを入れた。
Anacondaのプロンプトをだしてそこから

pip install opencv-python

で入った（OpenCVは入れなくていいみたい。自動的にはいるみたいよ）

【参考サイト】
Python 3.6 に OpenCV 3.4 など環境を構築する
https://qiita.com/cointoss1973/items/92d82f9accb239a276a0