90日以上更新していなかった
自分のブログページを見たらこんな広告が。
なんかこれが出ていると廃墟みたいな気分になるので更新してみますw
最近はGCPの無料インスタンスで構築したこちらでブログ書いてます。
さらにメインブログ移動しました。
現在はConoHa Wingでホストしてます。
tricoro.tech
ゲームのソーシャル性についてEVO2017をみて思ったこと
ソーシャゲーと呼ばれるゲームは、
SNS内で友達の間でコミュニケーションのきっかけとして楽しむものとして生まれて来てから、いわゆるカードゲームのテンプレでできたものがたくさんスマホ用のゲームとして普及している昨今。
もともと自分たちが子供の頃に友達と楽しんでいたゲームを通してのソーシャル性ってEVOのような大会やe-Sportsと呼ばれているものの中にあるような気がする。
うまい人のプレーをみてワイワイしたり、
ゲーセンでみたすごいプレーを真似してみたり、
なんかそういうのが楽しかったんですよねー
必ずしも全員がプレイヤーとして参加するということではなくて。
そういう意味ではSwitchとかみたいに外に持って行って一緒にやるもよし。
ゲーム実況のような機能がハードに搭載されていて手軽にその機能を使ってみんなが楽しめるようになると面白そうだ。
VR
ぽちった。
使ってみたらレビュー記事でも書くかな。
スクショとかじゃ伝わらないだろうけど。
Urgod 3D VR ゴーグル ヘッドセット?メガネ/VR BOX (iphone&android全ての"3.5~6.0"インチ スマホ 対応)
- 出版社/メーカー: Urgod
- メディア: エレクトロニクス
- この商品を含むブログを見る
モブプログラミングって何だ?
最近、巷で話題になっている気がするモブプログラミング。
チームみんなでで1つのものを作る、ペアプログラミングの進化版みたいなもののようだ。
一緒に作業しているので同期するための朝会とかやらなくていいし、
わからないこととか、相談したいことが出てきたらその場で解決できるから、
あとで手戻り発生するより生産性は良いっていう話のようだ。
正直なところ、なんかもう少し間を取れないものかなあと。
この方法がなぜ良いのか?というエッセンスは取り入れながら、
違う場所にいても密にコミュニケーションを取れるようにするとか、
違う作業をやっていても相談事項は素早く解決できるようにするとか
必ずしも一箇所に集まって、常にワイワイガヤガヤやるのではない方法を探したいなあ。
Google Cloud NEXT Tokyo '17 に参加してきた(6/14) #2
No-Opsってよく聞くようになったワードの一つ。
サーバレスアーキテクチャーなんてのもバズワード。
Googleの環境でデータ処理基盤を構築するとこんなに簡単だよというお話。
Goolge社内ではBig Dataとは言わない。だだDataです。というお話がありました。
データというのは大量にあるのが当たり前でそういったものに慣れているからという、まあGoogleならそうだろうなと。
Googleじゃなくても最近は保存しておくストレージが安く使えるようになったこともあってかログとかをデータとして使うのが当たり前になってきましたね。
以下はセッション内容のメモ。
No Opsで大量データ処理基盤を簡単に構築する
GCPで実現する次世代データ基盤
データを分析するところに注力する(もっと作業時間を確保する)
収集->保存->処理/分析->可視化
Cloud Dataflow -> Apache Beam
この資料がベースかな。
リクルートテクノロジーズでの事例も紹介してもらってよかったですが、
時間が押しすぎて途中で退出する人が多かったのは残念だったかな。
Google Cloud NEXT Tokyo '17 に参加してきた(6/14) #1
データ分析基盤としてのGCP
エンジニア以外も使える環境を整えて行くことが大事。
エンジニアに依頼ベースでやっていた
心理的な障壁とそれによる機会損失をなくすためにFlat Rateを契約
Googleの機能よりも良いものを実装できるのか?
Vision APIで得られた結果と、そういうエンジニアを採用するのとどっち?
といった指標として利用している。
メルカリアッテ
AppEngine, Compute Engine -> stackdriver
スケールのための作業は発生していない。
たまに障害はあるが許容できる範囲
生産性
ドキュメント類が充実してきて効率的に習得できるている。
最先端のクラウド技術を利用できることへの精神的な満足感がある。
コスト
利用した分だけ課金される。
費用とROIが容易に予測できる。
特定のクラウドベンダーに依存するということのリスク
依存しないことのリスク
依存することで得られるもの
- > 他で提供できない機能というのは技術的に高度なものであったりする。それを利用できるメリット。
次のセッション。
Google のデータサイエンティストが語る現場で使える機械学習入門
機械学習系のセッションに興味がありこのセッションを聴講しました。
Google Cloud Next '17 in Tokyo | 6 月 14 日 ( 水 ) ・ 15 日 ( 木 ) | スケジュール
佐藤 一憲さんのデモもよかったです。
BigQueryに格納されたパブリックデータを使って2つのモデルで学習をさせた結果を見せるというものでした。
ラジオ体操はしていなかったw
セッションのメモを以下に。
機械学習(Machine Learning)はこう動く
ルールベースとの違い
ルールベースは単純なルールで切り分けられないものに弱い
MLはルールに頼らない
単純パーセプトロン
ニューラルネットワーク
データ-> モデル-> 予測-> 検証 ->フィードバック-> モデル
8のステップ
機械学習がそもそも必要なのか?
日次より頻繁に、データに基づいて最適化するようなものに向いている。
- 目的
ときたいパズルが何か
- データの集め方
手動、データが少なすぎるは向かない
自動で多くのデータを集める
必要なデータを厳選する
- データの前処理
一般にそのままではただのゴミ
全体の8割以上の作業時間がここにかかる
分別整理する
列志向型のデータテーブルにする
- モデル学習とその方法
線形、非線形
教師あり、教師なし
学習モデルも適材適所
- モデルのチューニング
チューニングパラメータを一つ変えただけで結果が全然変わる
- 汎化性能
過去データだけでうまくいっても意味がない。
ノイズに惑わされず、真のシグナルに最もよくフィットすることで
未知のデータに対して高い精度を発揮する割合
- 検証
効果の有無を見る
pre/post, ROI
- 改善サイクル
これらのサイクルを回して改善して行く。