【Pokémon GO】「周辺のポケストップ」検索方法がわかりにくいので、やり方をかいてみる

ここの記事

「Pokémon GO」のアイテムを拾えるお店は？　口コミサイト「Yelp」が「周辺のポケストップ」検索
http://k-tai.watch.impress.co.jp/docs/news/1011986.html

に（以下太字は上記サイトより引用）

　Yelpは、ユーザーの口コミ情報をベースにしたローカル情報サイト。今回追加された機能は、ナイアンティックの位置連動ゲーム「Pokémon GO」のゲーム内でアイテムが拾える「ポケストップ」が近くにある店舗を絞りこむフィルター機能。

　「新宿周辺のレストラン」といった条件で店舗を検索してから、フィルターとして「周辺のポケストップ」を選択することで、「ポケストップ」が近くにある店舗のみを表示できる。


結果論で言えば、「まったくそのとおり！」なのだが、この記事を読んでも？？だとおもうので、実際にやってみる。

まず、yelpを表示

https://www.yelp.co.jp

URLをこう打っても、自然と、その地域がついて表示されてしまう
（台東区にいるけど、千代田区と判断された）

レストランを入れると、自動的に検索してくれる

周辺のポケストップをクリック
ここで検索された店舗が、周辺のポケストップに「はい」と答えたものらしい。

ためしに、

をクリックし、少しスクロールすると

なかんじ

主婦が技術書を書いてSIerに入社した話を聞いてきた

7月24日、JTF2016に行ってきた！
その内容をメモメモのつづき

最後は

主婦が技術書を書いてSIerに入社した話
私の７３２７２８ページを超えていけ！

をメモメモ

---

・自己紹介

・私のキャリア
　シンクタンク
　銀行の色　（青でした）

・コアスキル
　Excel方眼紙（インフラ系）

・働き方の推移
　１日１６時間働く　終電・タクシーで帰る
　結婚１２時間働く
　専業主婦　エンジニアを辞める
　　

・スキル不足を筋肉でカバー
　本番システムの障害対応

・切迫流産

・幼稚園　ひま→働こう
　スーパーのレジ、事務作業は難しい
　専門学校の非常勤講師
　技術書の執筆

・人は時間をかけて苦労して得たものに価値があると
　勘違いする生き物だ
　がんばっている私って素敵症候群

・本当は時間をかけずに楽に出来ることこそ他と差別化できる価値

・評価を繰り返す
　→サボってよいポイントが見えてくる

・サボることは正義

フリーランスとして働くためのヒント
・生活のためにはお金が必要
　全て自分で選べる
・フリーランスで働くためには
　自律
　強いモチベーション
　　私にしか出来ないと勝手に勘違いすることでモチベーション

・多様性のある職場作りのヒント
　人材が足りなくて、いい人が着てくれなくて
　働く女性を支援・ダイバーシティ大事→注意が必要

・働く女性の環境
○クラウド導入
　リモート会議
　チャット
Ｘ人事制度
　評価制度
　価値観
→技術的な部分はほぼクリアしているがアナログまだまだ

・雇用の問題点
　成果勤務時間での評価が大きい
　→勤務時間で従量課金

　一芸スキル学業成績での新卒一括採用
　→オンプレミス

　既存の会社の仕組みに順応して働く
　Ｘ多様性のある職場

・ＡＩロボットで広報

・普通って何

・雇用条件をオートスケールする仕組み
　介護離職

・多様性のある職場づく地
　会社の制度を変える
　個人の価値観を変える

・そこに魔法はありません。泥臭く変革

なぜ情報発信
・マイノリティ
・心理的安心感を得る
・ずんどこきよし
・心理的安心感→仲間ですね！
・まとめ
　ブログでも勉強会でもかまいません。

コミュニティかかわりかた
・フリーランスはしんどい
　勉強し続ける
　弱い紐帯の強み
　　新規性の高い価値ある情報は、弱い紐帯からもたらされる
　懇親会に参加・名刺交換

なぜSIerに入社したの
・やり残したことがあるから
　プライムベンダー
　色々な世界を知る
（音声のみ）

・ラズパイでOpenFlow

Q&A
結婚から出産の間にやっておいたほうがいいことは
・自分の専門をやっておく

TensorFlowで学ぶDQNを聞いてきた（いっちゃってる人の話を聞いたわけではない）

7月24日、JTF2016に行ってきた！
その内容をメモメモのつづき

次は
TensorFlowで学ぶDQN

※資料　Etsuji Nakaiでスライドシェア検索
　OSS 勉強会　９月１日でTensorFlowのコードの書き方やるよ！
　エンジニアのための機械学習理論入門

---

・ＤＱＮ（Ｄｅｅｐ　Ｑネットワーク）とは？
　ＤＱＮでなにができる？適用例
　　ビデオゲーム：画像イメージをインプット

　　・画面の状態が与えられる
　　　押した
　　　画面がどう変わる→かきあつめる
　　→ルールを知っていることと同じ

・コードで書くと
　　現在の状態s
　　どのボタンを押すか a
　　次の瞬間の点数 r
　　次の画面 s'
　をあつめる

・どういうアルゴリズムを書けば、ベストなアルゴリズムになるか
　　全部のアクションの中で、点数が最大のものを選ぶ
　→うまくいかない
　　長期的なトータルの点数を最大化

・トータルのゴールを数式化
　　γをかけて（０．９）収束させる
　　トータルの数を大きくする
　Ｑ理論
　　いまＡという行動を取り、その後ベストな行動を取ると最大になる
　　　問題帰着
　　この方程式は、必ず成り立つ：証明できる
　→なら、適当にいっぱい関数出してきて、うまくいったらＯＫ！

・機械学習
　パラメーターを調整。この関係式を満たせないか？
　　→２乗誤差を求める→誤差を最小にする
　誤差がかなり近ければ、Ｑ関数が求まったことになる

・複雑な関数をどう用意すればよいか
　ディープニューラルネットワークを使ったらうまくいった

・どうやって、画面のデータを集めるか？
　ランダムにプレイさせる
　Ｑ関数を得てしまう
　データを集める＋得られたＱ関数

・でも
　とうりつしんし
　何段で出来る→ブログにかいてある

　半日くらい流し続ける
　　１層：がんばってとめてる
　　２層：２階回って上で静止
　段数によって、学習できる範囲違う

　一晩、二晩流すと・・・
　　１層でほぼ完璧→過学習

Ｑ＆Ａ：
１：これむずかしくないよね
　はい。分かりやすいでもとして

特徴量
ＤＱＮ：不得意なもの
・ポイント：ランダム
　　よい手だけだと上手くいかない
　Ｑラーニングで上手くいかないもの
　　Ｑラーニングはノンポリシー
　　探索がない
　ある局面の優位性

米ヤフー、中核事業をベライゾンに50億ドルで売却へ

って、どうなったんだろう・・・売却”へ”で、
売却しましたよというプレスリリースとか、してるっけ？


米ヤフー、中核事業をベライゾンに50億ドルで売却へ＝関係筋
http://jp.reuters.com/article/yahoo-m-a-verizon-idJPKCN1040YC

ちなみに、ここでも

米ヤフーが米ベライゾンに48億ドル（約5100億円）で買収合意へ
http://thebridge.jp/2016/07/yahoo-will-reportedly-be-acquired-by-verizon-in-4-8-billion-deal

ま、どうでもいいことなんですけどね・・YAHOOといっても、アメリカだから・・・

Jupyter Notebookが便利そうなのは、とりあえず分かった！

7月24日、JTF2016に行ってきた！
その内容をメモメモのつづき

次は
ベアメタルクラウドの運用をJupyter NotebookとAnsibleで機械化してみた

---

■はじめのひと

・自己紹介
・ＮＩＩには・・ベアメタルクラウドサービス OpenStack
・そもそも自動化 is 何？
　歴史に学ぶ
　トヨタ生産方式
　　にんべんのある自働化：機械　異常検知で止まる

　自動化
　　システムの制御に対して人間の介在を最小限にする・削減していく

　自働化
　　異常の見える化・人間の介在前提

・インフラエンジニアの宿命
　インフラはＭｏｖｉｎｇ　Ｔａｒｇｅｔ
　　→人間が介在するデザイン

・学術・研究機関　要求が多様
　少数多品種
　　Ｈａｄｏｏｐ族　組み合わせ
　判断は人に任せよう→機械化

・ジュピター
　データ分析のツール
　　　http://tmpnb.org

・ジュピターの実行コード
　構成情報
　ansible経由

・文芸的機械化
　機械的に再現できる　人が読み解ける手順
　人が介在しつつも、機械的に再現、再実行できる

・automationではなく、Communication
　人のパフォーマンスCommunicationが重要
　作業をどう変えたかも見える化→手順の洗練

　日々の証跡を記録：notebook　トレーサビリティ
　再利用する：リユーザビリティ
　マニュアル・教材：リプロダクビリティ

・お手本 Notebook
　公開してみます

・機械化しながら運用してみた
　Hadoopの構築
・作業前後の状態確認も明示的に記述
　作業自体はansible
　インストール後確認
　→まず、判断は人にさせる

・構築・運用作業をansible playbookとして抽象化

・運用作業…故障時の対応とか
　　ヘルスチェック時のチェックなど
　　ログファイルの内容確認
　収容設計情報から、インベントリを作ったり
　バックアップ系のコマンド

・失敗談
　おろそかになりがち　事前条件、事後条件
　　繰り返し作業のワナ
　　１回目かきわすれ
　設定変更が全くされていません
　項目がないことを発見
　　→説明のための材料にいい

・確認項目もNotebooklの枠組みで

・Jupyter+Ansible
　QiiTに書いた
　操作対象ごとにnotebook環境

■Jupyterの機能を拡張してみた
・自己紹介
・Jupyter Notebook　アーキテクチャ
　　ＨＴＴＰ　＆　ＷｅｂＳｏｃｋｅｔ
　　０ＭＱ
・nbextention
　ブラウザで動作するJavaScript拡張
・server extention
　４．２から

・jupyter_code_cell_status

・完了しているにもかかわらず、実行ステータスのまま

・jupter-multi-outputs
　　実行結果をタブとして出力
　　任意のタブ削除
　　保存して再表示
　　ipynbフォーマット
　　　diff機能の実装
　　stream以外が複数帰ってくると表示壊れる

・notebook extension systemの課題
　　他のextentionの共存難しい（プロトタイプメソッドの拡張）
・server extentionはまだ使っていない

・まとめ
　課題も出来てしまう

ログ解析にＡｍａｚｏｎ MLを使った例を聞いてきた！

7月24日、JTF2016に行ってきた！
その内容をメモメモの続き

次は

機械学習を用いたＡＷＳ　Cloud Trailログの積極的活用

---

・機械学習に対する期待
　データ分析活用の手段として機械学習注目
　　少し前
　　　　レコメンド
　　　　センサーによる生涯予測
　　ディープラーニングの登場

　でも、大量データを持っていない企業には？
　　本当に大量データはないのか？
　　本当にインフラエンジニアは知らなくてよいのか

・インフラエンジニアの身近にあるデータ
　運用現場に眠るログ

・ログデータの特徴
　どのような特徴を持っているか
　　データ量がそれなりに多い
　　製品ごとに一定のフォーマットにしたがって出力されている
　　長期間にわたり、保管されている
　　人が全部目を通すのは大変

・これまでのログデータ活用：監視
　ログデータは監視対象としても重要
　ログ監視は監視ルールのメンテナンスが大変
　　→機械学習を使ってルールを書き換えられないか

・これまでのログデータ活用：可視化
　ログの検索　可視化が簡単に実現可能
　　Elastic stack,splunk,amazon ES
　可視化することでログの傾向を短時間で確認可能
　しかし可視化した結果をどう判断するかは人
　　→機械学習

・機械学習とは
　機械学習に対して持っていた漠然としたイメージ
　しかし今ならクラウドサービスがある
　機械学習関連のクラウドサービスの例

・機械学習でできること
　　教師有り学習：法則を学習して答えを導き出す
　　教師なし学習：関係性を見出す→人が解釈

・今回の題材
　ＡＷＳ　cloud trailのログを用いた操作主体分類
　　人による操作
　　連携された外部サービス／スクリプトによる操作
　　何らかのEventと連動したLambda Functionからの操作
　→それぞれで傾向は異なるため、操作主体を区別して可視化したい

・ログの特徴
　同一の操作でも操作主体や対象サービスによってログ内容が異なる

・現状の課題
　ルールベースでログから操作主体を区別するのが難しい
　　どんなログであれば人による操作なのか
　結局使われているUser/Role名を見て判断する
　→Amazon MLを試してみよう

・今回用意した学習データ
　検証用ＡＷＳアカウントのCloud Tailログ
　　対象データ2016年６月　７４６７件
　　　学習用データ７０％

・前準備：
　　学習データの整形
　　　Cloud TrailのログをAmazon ML用に整形
　　　ＪＳＯＮで記述されているログをＣＳＶに
　　ラベルの付与
　　　４カテゴリに分類

・Ａｍａｚｏｎ　ＭＬ
　　Data Source登録
　　　ＣＳＶファイルを登録
　　　　Ｓ３上
　　　　デフォルトならデータは事前にシャフルしておく
　　　タイプを指定

　　Model作成
　　　デフォルト設定を利用

　　結果の確認
　　　同一アカウント、同一時期であればそれなりに分類できる？
　　　別アカウント：微妙な結果
　　→学習データに含まれているログはＯＫ

・カイゼン
　評価結果が出てからが機械学習の本番
　　学習データの多様性の向上
　使い方の転換

・その他の試行錯誤してみた例
　行き詰った事例：
　　外部への通信の検出
　　　ひんどの低い通信が検出される；人が見ても判断難しい
　　　　→ホワイトリストのほうが速い

　　定常的なログと例外的なログの分類
　　　初出なものは、安定しない

　共通点
　　単一のデータだけを見て判断→組み合わせて使う
　　データを見て適用先を考えると、目的がぶれやすい
　　　　ためる仕組み

・機械学習に触れてみて
　人は様々な情報を組み合わせて判断を下している
　データに対する意識が変わる
　　頻度の低い事象をふくめる

・機械学習との付き合い方
　まずは試してみて、普段の業務におけるデータの捉え方を見直すよい機械とする
　小さな問題から補助的に適用してみる
　　手元にあるそれほど多くないデータだけでもできることはある
　　ちゃだし目的意識は明確に

・まとめ
　インフラエンジニアにも機械学習は無縁ではない
　機械学習は怖くない
　まずは試してみてどのようなものか知ろう
　　多分最初から役に立つものは創れない
　　データをためる仕組みを作るためには、知ることが重要

Chainerを用いた対話型ＢｏＴの話を聞いてきた

7月24日、JTF2016に行ってきた！
その内容をメモメモ

次は

人工知能の技術で有名なニューラルネットワークのフレームワークであるChainerを用いた対話型ＢｏＴ俺の屍を超えていけ

をメモメモ

---

・自己紹介
　元の記事はQiitaに書いている

・ゴール
　対話型ＢｏＴについての理解
・意識して聞いていただきたいので、ぽけもんＧｏは・・

・対話の価値
　連続性
　インタラクティブな提案
　新たなユーザー体験の提供

・連続性
　会話の事前情報が利用できる
　最近テニスにはまっていて
　バイトの情報→スポーツ店

・インタラクティブな提案
　ダイエット中
　　食品

・あらたなユーザー体験
　人生とは　はーとを返す

上２つは対話データいる
　→したを提供してから

・Ｂｏｔの個性：キャラクター性
　どちらが高度な回答しそう？
　キャラクター性が重要
　　かしこくなさそうなのがまじめに解答すると、期待値挙がる

　期待値を下げつつ
　話しやすさを挙げる

　キャラクターごとに文をかえるのは、高コスト
　→内容をかえず、キャラクター性だけ変えたい
　　ニューラルストーリーテラー
　　おすもうさんにロマッチック効果→ニューラルネットに任せる
　　途中までの実装

　システム
　　話題の選定
　　ないよう理解
　　応答生成

　システム全体
　slack
　Twitterから
　事前学習：wikipedia　対話こーぱす
　対話モデル chainer

　話題の選定
　　相手によって話す内容が変わる
　　ワードネット使用
　　　概念数が多い：概念をまとめたい
　　　　距離空間に
　　　　距離近いものをまとめる
　　エンティティ・リンキング
　　　　日本語Ｗｉｋｉｐｅｄｉａ　エンティティベクトル
　　距離を測りたい
　　　　コサイン類似度

　　未知語を追加
　　平均ベクトルを計算
　　コサイン類似度：まだ多い　２００００概念
　　１０００以上→７６概念
　　ふりわける

　対話：ニューラルネット
　　自然言語処理における深層学習の位置づけ
　　　表現力、連続性、フォーカス

　表現力
　　Bag of Words
　　　何回マッチするか
　　word 2 vec
　　　圧縮次元に落とし、周り考慮

　連続性
　　リカレントニューラルネットワーク

　フォーカス
　　固有名詞　attention model

　・発話内容をニューラルネット空間に移す
　　word2vec
　　連続性
　　リカレントニューラルネットワーク
　　逆方向も学習
　　　集約：たたみこみ　発話情報を集約
　　デコーダーで伝播

・でも
　・飽きをどうする

・今後の予定
　評価率を量る
　概念クラスの距離

・結論
　どこを使うか・ルールとのハイブリッド

・質問
　なぜＬＳＴＭつかわない→実際には使ってる。説明で省略した
　アテンションモデル→画像で発展した、畳み込み

「今話題のCognitive/AI系サービスを徹底分析！」を聞いてきた

7月24日、JTF2016に行ってきた！
その内容をメモメモ

次は

今話題のCognitive/AI系サービスを徹底分析！あなたに最適な選択を

をメモメモ

※ここは、プレゼン資料のまとめ方がすごかったので、
　もし、入手できたら、ぜひ見たほうがいい。

---

・自己紹介

・ビジネスのデジタル化
　より早くデジタル化を成熟させた企業が好業績を挙げている
　マイクロソフトにおける変革
　　サティアに変わった：競合とのパートナーシップ
　　ＯＳＳの推進
　　研究開発：売上の１３％
　デジタルトランスフォーメーションの実現へ

・３ヶ月
　試用期間：会社の戦略ではない　あたたかい目で
　６５００万
　　Ｐｏｃｋｅｍｏｎ　ＧＯ　６５００万ユーザー
　　→最速
　　→クラウド連携重要
　　ＰｏｃｋｅｍｏｎはＧｏｏｇｌｅで動いてる？

・４ヶ月
　　子供：変革はやい
　　画像解析エンジン：FaceAPIの結果はしっかりしている
　　　→得意不得意が違う

・マイクロソフトは好きな技術を好きといえる会社に

・Ｃｏｇｎｉｔｉｖｅ／ＡＩ関連用語の整理
　　人工知能
　　　　機械学習
　　　　　　統計的アプローチ
　　　　　　ディープラーニング

コグニティブはサービス

　Ｍｉｃｒｏｓｏｆｔ：コグニティブ
　Ｇｏｏｇｌｅ：クラウドＡＰＩ→学習済み
　ＩＢＭ　ＢｌｕｅＭｉｘ

　Ａｚｕｒｅマシンラーニング・Ａｍａｚｏｎマシンラーニング：学習できる

　ディープラーニング
　　ＣＮＴＫ
　　テンソルフロー

　ＩＢＭは用途特化型も

選択基準例
　技術・サービス

　楽なものから見ていく

（１）学習ずみＡＰＩでＯＫ？
・Ｍｉｃｒｏｓｏｆｔ　Ｃｏｇｎｉｔｉｖｅサービス
　　ビジョンＡＰＩ
　　スピーチＡＰＩ
　　ランゲージＡＰＩ：テキスト解析
　　ナレッジＡＰＩ：論文学術
　　サーチＡＰＩ：B-ing

・Ｇｏｏｇｌｅ　ＡＰＩ
　クラウドビジョンＡＰＩ
　Ｇｏｏｇｌｅ　クラウド　ナチュラルランゲージＡＰＩ

・ＩＢＭ　Ｗａｔｓｏｎ

似ている機能
　・画像解析
　・音声解析
　・知識推論

独自機能

画像解析：似ている機能
　→デモサイト
・タグ付け機能
　　画像を投げる→JSONで返ってくる
　Ｇｏｏｇｌｅは猫の品種まででる

文字認識：
　写真のテキスト情報を抜き出す
　　英語はＯＫ
　　日本語：精度怪しい（ＩＢＭは未対応）
　　　→変化激しい
　ロゴ特定
　ランドマーク特定→探偵要らなくなる？

　８６のカテゴリーに分ける

　アダルトコンテンツを認識する

　Get Thumbnail
　ＯＣＲ：

　エモーションＡＰＩ
　　感情識別

　Video API
　　動いている
　　動体検知

　Speaker Recognition API
　声紋登録による話し手認識
　
　ＬＵＩＳ
　　ランゲージ・あんだすたんでぃんぐ・いんてりじぇんと・さーびす
　　ＩＢＭ：あるけみー・らんげーじ

応用アプリ
・写真→年齢
・Project Murphy 合成写真を作ってくれる、ボットアプリ

教育できるのは、マイクロソフトのみ

まとめ
・各社特徴あるＡＰＩ
・Apache solrとアドインを使って、ワトソンは学習している

Ａｚｕｒｅ　マシーンラーニング
・入力　処理　出力を機械学習に置き換え
　ちーとシートでやりたいものが選べる

マイクロソフト
・ＣＮＴＫ
　画像解析
　時系列データ解析

ボットフレームワーク
　ルールベースの自然言語解析

こるたな
・Cortanaという言葉について
　　こるたな　インテリジェンス　スイート
　　　デバイス　収集　変換集約　格納　分析アクション
　　　バックグラウンドでつなげる
　　　テキストからスピーチへ
　　Conversation as a Platform

　こるたなとりんな
　　同じ質問できた答えが違う
　　　明日晴れるかな
　　　　Productivity 明日の天気は晴れ
　　　　Emotional　　出かける予定でもあるの
　

さくらのIoTはUART,I2C,SPIからＬＴＥ，３ＧでサーバーへREST APIで外部へ

7月24日、JTF2016に行ってきた！
その内容をメモメモ

まずはじめは、基調講演
（注意事項の最後のほうから行った）

---

・注意事項
　登壇者にポケモンＧｏはやめてね

■挨拶　ゆたに氏
　ＩｏＴ　ＡＩ　インフラ
　やってみたスペシャル　俺の屍を超えていけ
→明日に繋がることを受け取って

■現実が正解だ！やってみんとわからんことだらけ
　さくらのＩｏＴ企画・開発３６５日の軌跡
　そして次の３６５日へ

・さくらインターネット
　創業２０年　この１年間かなりのスピード

・チームビルドの話
　チームビルドといえば、ポケモンＧＯ　違う！
　１５人のメンバー

・会社説明・自己紹介
　ＡＢＢＡ　Ｌａｂ
　ＤＭＭ．make
　　シールドルームもある
　　　ウィンクル　俺の嫁と暮らす
　　　いぬぱしー　心拍数変化
　　　バッテリーレスの土の水分量
　　　ＬｏＲａ　新しいプロトコル　ｍ２Ｂ
　　　水田サービス（水門）笑農和

・インターネットでハードを再開発

・What is IoT
　狭義のIoT 工業　Industry4.0
　広義のIoT 生活の質をかえていく

　IoTはバズワード？ M2M？
　　技術をいろんな人が使えるようにする
　IoT：ものごとをインターネットにつないでいく
　　→IoTマトリックス
　　２軸　Internet/Device/Things
　　　　　　　　ＶＳ
　　　　　Input/Logic/Output

・インターネット
　１人あたり１分間に１つの対価を支払うとすると、東京都全体で
　　　６．４兆のデータ

・すすめかた
　　社長との話
　　デザイナーに入ってもらい
　　　　さくらのＩｏＴ
　　　　　　ＬＴＥ，３Ｇ
　　　　　　閉域網で：インターネットに出る前で処理できる
　　　　　　　　　　　インターネットとはＡＰＩで
　　リサーチャー参加
　　　　実験、検証
　　経営企画室：数字を立てる
　　取締役議案書
　　エンジニア２人
　　　　技術執行役員：新卒２年目
　　　　アルバイト
　　　→ＳＰＩ，Ｉ２Ｃでやりとり、シンプルに
　　ネットワークエンジニア、オペレーション
　　　→ここまで３ヶ月
　　広報
　　　提携相手ができる
　　α版パートナー募集
　　ＵＩ，ＵＸ→運営リーダー
　　　→学生で興味ある人が柔軟にやってくれる
　　　プロトコルどうしますか？
　　　　マイコン→ＵＡＲＴ，Ｉ２Ｃ，ＳＰＩで
　　　　　　コマンドベース
　　　　　　チャネルＩＤ，型、値の組を基本
　　　　ＲＥＳＴ
　　　Ｍｅｓｏｎ、ＭＡＲＡＴＨＯＮ，Dockerで創る
　　立ち上げの人はなれる
　　　会社のいいところ
　　サポート

・天草Ｘアスロンまとめ
　　通信：Ｌｏｒａで
　　６月１５日発注
　　７月４日　基板納品
　　７月８日　仕様確定
　　７月１５日完
　　７月１６日実証
　見えなかったものが見える

　短期間でも心が折れない

　ＡＷＳさんも入ってくる：通信を隠蔽するのがいい
　継続的にやっていくのは、立ち上げとは違うメンバー
　　営業を通訳する

　システムソフト（あぱまん関連会社になっている）の子会社が家庭用ＩｏＴ

・さくらのＩｏＴ　ＰＦの誤解
　格安ＳＩＭ　ＭＶＮＯ？
　　→必要なデータをプライベートで保存、
　　　メッセージで課金（ＲＭ単位）
　インターネットなクラウドサービスでもない
　デバイスメーカに転進するわけでもない

　世界中でつかえるサービスに　協創
　いいところをみつける
　認めるものがなければ、認めるところにいきましょう

・Ｑ＆Ａ
Ｑ：ＡＷＳやＩＢＭは、さくらのＩｏＴと、なぜ組みやすいのか？
Ａ：さくらのＩｏＴ：マイコン～ＲＥＳＴ　ＡＰＩ
　　ＡＷＳ／ＩＢＭ：ＲＥＳＴ　ＡＰＩ　以降（ハードの部分はさわらない）

コンピューター業界団体多すぎ！まとめてみる・・・

わけわからん・・・

「日本IT団体連盟」が発足、政策提言やIT人材の育成に「一丸となって取り組む」
http://internet.watch.impress.co.jp/docs/news/1011724.html

会長は、ＹＡＨＯＯ社長・・・だが・・・

楽天やグーグルなど「新経済連盟」始動、“イノベーション”軸の政策提言を
http://internet.watch.impress.co.jp/docs/news/537086.html

で、この「新経済連盟」の前身が「eビジネス推進連合会」だったが、
ここからＹＡＨＯＯは脱退している

・・・のだが、ＹＡＨＯＯもグーグルも

Googleなど大手7社、政策提言団体「アジアインターネット日本連盟」設立
http://internet.watch.impress.co.jp/docs/news/616764.html

にはいっている。

が、これとは全く別の団体で、
　　富士通やNECなどITベンダーが所属する電子情報技術産業協会（JEITA）
　　受託ソフト開発会社らが加盟する情報サービス産業協会（JISA）
　　ユーザーが中心の日本情報システム・ユーザー協会(JUAS)
がある。

・・・わけわからん・・・
ってか、これですべてか・・？？

Ｐ．Ｓ　日本ＩＴ団体連盟って、かなり前から話あったの？

ソフト業界の構造改革促す団体になれるか
http://itpro.nikkeibp.co.jp/atcl/watcher/14/232909/110500017/

ベンチャーでfacebookだ、Twitterだって、もてはやす人がいるけど・・・

ポケモンＧＯのほうが、滞在時間、抜いたらしいよ・・・

ポケモンGOに殺されるアプリ市場と広告市場
http://7700.hatenablog.com/entry/2016/07/22/%E3%83%9D%E3%82%B1%E3%83%A2%E3%83%B3GO%E3%81%AB%E6%AE%BA%E3%81%95%E3%82%8C%E3%82%8B%E3%82%A2%E3%83%97%E3%83%AA%E5%B8%82%E5%A0%B4%E3%81%A8%E5%BA%83%E5%91%8A%E5%B8%82%E5%A0%B4


そのほか

ポケモンGOの兄弟であるイングレスが「大失敗」と言われてしまう理由
http://bylines.news.yahoo.co.jp/tokurikimotohiko/20160722-00060232/


任天堂、勝手にアクセル全開のポケノミクスにブレーキベタ踏み
http://kabumatome.doorblog.jp/archives/65869820.html


危険も

「ポケモンGOダウンロードできた」という情報がどんどん拡散される…それは個人情報を流出させる偽物だ！
http://togetter.com/li/1002862


ついでに

「任天堂の倒し方知ってますよ」と5年前に豪語した企業の今が話題に・・・
http://togetter.com/li/1002327

OpenCVは「画像処理でやりたいこと」に対する関数があって、それを呼べば大体ＯＫみたい

７月２２日、OpenCV3.1を使った画像処理入門
を聞いてきたんだけど、お金を取っているセミナーなので、
そのまんま書いてしまうと、営業妨害になってしまうので、
かなり、大雑把に（肝心なことは書かずに）メモメモ
（逆に、そこで本題ではないけど、大事なインストールは詳しく！）

大事なことは、表題に書いた。その一言に尽きる。

---

・講師自己紹介
　OpenCV3プログラミングブック

■１．イントロダクション
・本を見つける・・・メカニズム
→コンピューターでは難しい
→センサーとコンピューターがあればできる

画像処理・認識技術の応用例
・笑顔検出、アイサイト

Ｃ言語による画像処理プログラミング
→めんどくさい→むだ→ＯｐｅnCＶ

OpenCV(Open Computer Vision Liblary)
・オープンソース：修正ＢＳＤ
　１０００万回以上のダウンロード
・利点
　簡単
　かなり研究者が使っている→OpenCVにコミット：使ってくれる
　パテントで保護されているモノが入っていることがある
　　→インストーラー版には入ってこない（Non free)

OpenCVの資料
・http://opencv.org
　むかしはＹＡＨＯＯグループ→公式フォーラムに
・http://docs.opencv.org 公式リファレンス

・http://opencv.jp/ 日本語

・イメージングソリューション
　ＯｐｅｎＣＶも含めた、画像処理全般
http://imageingsolution.net

OpenCVの本
・OpenCV 2 プログラミングブック
・詳解OpenCV ６～７年前、古い
・pratical Computer Vision Project 集合写真の顔を抜きたいとか
・OpenCVによる画像処理入門：画像処理の入門書
・Learning OpenCV For Version3.0
・OpenCV3プログラミングブック

---

■２．ＯｐｅｎＣＶによる画像処理アルゴリズムと実装

・開発環境の導入　Visual Studio Express 2013 for Windows Desktop
　→いま、2015が最新だけど・・

　VS VC　の対応関係
　2015　14
　2013　12
　2012　11
　2010　10
　2008　9

　ＯｐｅｎＣＶ３．１は６４ビット版のみ対応
　　→３２ビット版は３．０まで

・インストール
　ダウンロードする(exe）
　exeを実行する（＝解凍する）
　適当なところにおいて、必要なら名前変える
　環境変数の設定で、pathにbuild/x64/vc12/binがとおるように

・Visual Studioで使われる用語
　ソリューション；統合して配りたいとき（例：ＯｐｅｎＣＶサンプル）
　プロジェクト：ソースファイルを束ねている（例：にちか）
　ビルド→Ｍａｋｅ

・新しいプロジェクトを作る→実行
　・ＶｉｓｕａｌＣ＋＋　Ｗｉｎ３２ コンソールアプリケーション→空のプロジェクト
　・ソリューションエクスプローラーで、ソースファイルの追加 Ｃ＋＋ファイルを追加　main.cpp
　　→ここでＣ＋＋と決定される
　・Ｘ６４の場合　ビルド→構成マネージャー：プラットフォームをＸ６４に
　・インクルードディレクトリの設定
　　ソリューションエクスプローラーでプロジェクト名を選択、右クリックでプロパティ
　　→現在の構成（Debugで、X64（に今直した））に依存・構成ごとに設定
　　Ｃ／Ｃ＋＋→全般→現在のインクルードディレクトリでOpenCVのbuild\include
　　リンカー→全般→追加のライブラリでbuild/x64/vc12/lib
　・ライブラリファイルの書き込み
　・ライブラリの指定：以下の２つの方法がある。どちらか選択
　　　#ifdef _DEBUGで
　　　リンカー→入力→追加の依存ファイル　opencv_world310d.lib
　　　（３１０：ＯｐｅｎＣＶ３．１を使う場合。３．０なら300）
　・プログラミング
　・ビルド：ソリューションのビルド
　・実行：再生ボタンをクリックすればＯＫ（デバッグのデバッグなしで開始でもＯＫ）でもＯＫ

　　ＣＶ＿８ＵＣ３：８ビット３チャンネル

---

・基礎的なプログラミング
　画像ファイル読み込み、保存
　　画像読み込み　cv::imaged
　　表示
　　　ウィンドウ作成　cv::namedWindow // 省略可能
　　　表示 cv::imshow
　　保存：cv::imwrite　→ファイルの拡張子で判断して、読み書き（変換できる）
　　カメラ
　　　変数宣言 cv::VideoCapture capture(0);→もし、２だったら、３番目のカメラを使う
　　　カメラから画像　 capture ＞＞ frame
　　　フレームレートは適当　waitkey(まち秒数）　でフラッシュもする
　　動画ファイル　変数宣言 cv::VideoCapture capture("sample.avi");　と動画ファイル名を書くだけ。あとはカメラと同じ


・幾何的画像処理（変形：拡大縮小回転）
　スケーリング（拡大縮小）、シアーリング（おしつぶす：せんだん）、回転、反転
　　→２行２列の行列で書ける→でも、平行移動できない
　アフィン変換→３列目追加
　　→でも、パースする（遠近法）は表せない
　射影変換→一般系：３行３列だと表現できる

　３Ｘ３行列の変数９個をどうやってきめる？→移動先の４点持ってきて、連立方程式を解く
　　cv::getPerspectiveTransformでＯＫ
　　　→変換画像はcv::warpPerspectiveでＯＫ

・光学的画像処理
　２値化
　　グレイスケールにする：cv::cvtColor
　　２値化する：cv::threshold

・画像からの特徴量抽出
　エッジ抽出：濃度が急峻に変化する部分
　たとえば、ソーベルフィルタcv::Sobel
　　　→グレースケールに変換後、Sobelフィルタ（x方向への1次導関数）を適用

・直線検出
　ハフ変換：　消失点の検出など
　　入力画像のエッジをとる（Cannyフィルタを用いる）cv::Canny
　　古典的Hough変換を行うcv::HoughLines
　円検出：ハフサークル

・位置姿勢推定
　カメラのピクセル点を実際の座標系（直線）に
　　→２０００年　革命的なパターン：平面チェッカー３枚以上でできる
　　　チェックパターンの交点座標を求め，cv::findChessboardCorners
　　　キャリブレーションcv::calibrateCamera

　ステレオカメラキャリブレーションもできる→距離判定

・ＲＧＢ－Ｄカメラによる３次元形状の実時間取得例の紹介
　距離画像センサーとして使いたい人がいっぱいいた
　　depthセンサー
　　Kinect Light codingを使っていた
　　　　Ver1：性能はそんなによくない
　　　　Ver2：Time of flight法を使う
　kinect for windows SDKの利用
　→ダウンロードすると、kinect ヒュージョン動かせる（マシンスペック）

・ＰＣＬ（Point Cloud Library）

---

■OpenCV1.0系からの移行：3.0とは何なのか

2006年１０月　OpenCV1.0　カメラキャリブレーション
2008年10月　ＳＵＲＦ、ステレオマッチング

2009年９月　OpenCV2.0
　Ｃ＋＋インターフェース：今主流
　特徴抽出、インストール構成変わった、バグ多かった
2010年４月 OpenCV2.1
　インストーラー復活：オールインワンインストーラー
2012.5 OpenCV2.4

OpenCV3.0
・Ｃ＋＋インターフェースへの移行
・BASE+Contribモデル→coreはBASEだけ　Contribを使いたい人はビルドする
・モジュール構造の刷新
・トランスペアレントＡＰＩ
　　同じ実行時コードで実行環境に合わせてＣＰＵ,GPUを使い分け

■Ｑ＆Ａ
・形状認識について
　SURF,SIFT、テンプレートマッチング、形状マッチングについて

ポケモンＧＯの影響？荻窪駅の駅前に・・・

午後２時ころ、人がいっぱいいたんだけど・・・

※あまりにも、この記事を見ている人が多いので追加
　南口です。駅を出ると、時計が見える商店街がありますが、
　その商店街の入口の薬屋さんと、となりのまだ建てたばっかりでお店の入っていないビル
　に人ごみ凄し！

充電器が売れたり、まさにポケモノミス

ちなみに、歩きスマホしなくていいっていう記事あるね

ポケモンGOを一日やって、歩きスマホは必要ないし、そういう危険を助長しない仕組みだと確認できた件。
http://vitaminw.seesaa.net/archives/20160723-1.html


※７月３１日追加
南口よりも、ＪＲから西友２階に行くまであたりの広場？のほうが
人がいるかも（でも、まえよりも、ずっと減った）

ブロックチェーンのHyperledgerに対するＩＢＭと日立の取り組み

7月２２日、
Hyperledgerプロジェクトの可能性と未来について
を聞いてきたのでメモメモ

---

・ソラミツについて
　ブロックチェーン・アイデンティティ・プラットフォームの開発

・Hyperledger
　Linuxファンデーション：プロジェクト管理
　独占しない
　日本：富士通、日立、ＮＴＴ　ＤＡＴＡ・・・ソラミツ

　分散型だいちょう　価値がデジタルデータ
　標準化がないと、世界的にやり取りできない
　Apacheの人からもきている

　２つのプロジェクト
　Fabric
　　材料（元ＩＢＭ　Open blockchain）
　　sleve合意形成システム
　　スマートコントラクト、Docker
　　Go
　　７９人コントリビューと

　Sawtooth Lake
　　インテル
　　Proof of Elapsed time→ハードでマイニングなし
　　Python
　　１１人コントリビューと

　Fabricのアーキテクチャ
　・メンバーシップ：証明書・証明局
　・ブロックチェーンサービス：合意形成
　・チェーンコードサービス：セキュアコンテナ→Docker

　イベントを見て処理

　ネットワーク全体：４種類の人
　　証明局３つ：ユーザー、取引、TLS

　チェーンコード：３つの取引種類
　　初期化
　　合意更新
　　合意読み込み

　通貨がない
　　　デプロイする

　送金
　　ユーザー証明
　　取得した台帳
　　台帳確認

ＣＡの安全性：問題ないようにＩＢＭが守るんです。
　そこが儲けどころ
ＣＡが変わることは：まだ実装できていない

合意形成：PBFT Sieve
Practical Byzantine Fault Tolerance
　１９９９
Ｎ＞３ｆ＋１

Sieve

アルゴリズム
upon invocation：Ｉにユニオンする
　　　リーダーも嘘つけない
　Ｂ［ｐ］にo追加　（リーダーの）バッファ
　カレントになるＢ［ｐ]→エクスキュートへ
　エクスキュートを(t,r)へ・・(t,r)送り先
　結果を署名して。リーダーに返す
　リーダーがすべての結果をまとめる
　ブロードキャスト

POWとの比較
　ＰＯＷ：コーディネーターがいないから、
　　ブロックを２つつくれてしまう
　　　（ブロックＡ→Ｂ→ＣとＣ’の２つ作れてしまう）
　ＰＢＦＴ：大きくなると、おそくなる
　　　ＵＤＰマルチキャストを使う
　
将来は期待です

■Hyperledgerプロジェクト
・自己紹介
・ブロックチェーン概要：動画
Youtubeに載っている

ＩＢＭが考えるブロックチェーン技術
　分散台帳
　合意形成
　暗号技術
　スマートコントラクト
統合が始まっています
　イーサリアム
　ブロックストリーム
　ＩＢＭ
　→ファブリック

ＩＢＭのBlockchainへの取り組み
　OpenBlockchain→Hyperledger
　BlueMix上にHyperledger
　デモ→github
　Watson IoT for
　　Permissioned Blockchain　エンタープライズ向けブロックチェーン要件

カーリース・デモンストレーション
　アセット移転にブロックチェーン
　　　イサリウム：パブリック型
　　　HyperLedger：プライベート型（パブリックでも使えるけど）

■ブロックチェーンに対する取り組み
・日立の事業領域
・価値
　取引の信頼性、仲介コスト、スループット
　トランザクション
・領域
　トランザクション
　契約
　レコードキーピング：
　リスク管理
・レコードキーピング：ＫＹＣ／ＡＭＬ／ＣＩＰ
　金融業界のユースケース
　　銀行：紙、マニュアルのところ貿易記入、シンジケートローン
　　　輸出者と輸入者が双方信頼できない時
　証券：売買された後　ほふりさんの業務　ＤＶＰ決済
　ＯＴＣ（未公開相対取り引き）のブロックチェーン
　保険：動き遅い　まずは損害保険？まださき？
　　　　コネクテッドカー、ＨＥＭＳとかの連携
・閉じた業界でブロックチェーン置き換え
　　→なんで？
　→他の業種と連携
　シェアリングエコノミー、
　よりよい取引相手：新しい融資

・きも
　ブロックチェーンの連携

・ブロックチェーンを含むFintech対応の強化　北米

■パネル
・どうやって進んでいく？
　日立はfabric
　１，２年後にきまる
　標準化　はやい　Hyperledger 秋口　バグつぶし
　金融機関のPoC
　HyperLedger：外部ＡＰＩ呼べる
　分散型合意システム
　ブロックチェーン：スループットの関連で、どうよ
　　→処理速度が求められている
　すわっがーでスペックを決めている
　スケジュール：来週きまる？
　ボードとしては、年末Ｖ１．０出したい
　今ベータ版

単体テスト、結合テスト、総合テストの違い

単体テスト、結合テスト、総合テストの違いと方法について、
みんな知ってると思っていたけど、明らかに知らない人がいたので
意識合わせのメモ

---

■単体テスト（ユニットテスト、モジュールテスト）
・最小限の単位である、関数ないしはメソッドレベルで行う
・詳細仕様の通りに作ってあるかを、確認する
・２通りあり、プロジェクトにより、どちらか一方を採用する

　１（現在はマイナー）：
　　プログラムの分岐点にいき、値を設定して、通過するかどうかチェック
　　これを、ＩＦ分全部に対して行う。for,whileループも確認。
　　　→テスト項目は、分岐に対応して出てくる
　　・ｇｄｂを使って調査する（値のところでとめて、変数の値を設定出来る）
　　・網羅率で、C1,C2とかいうのは、この話
　　・ソースコードをみて、分岐点を判断する＝ホワイトボックステスト

　２．（こちらが多い）
　　JUnit等を使い、対象メソッドの入力に対して、出力が正しいか確認する
　　すべて緑になればＯＫ！
　　　→テスト項目は、入力に対する出力結果に対応して出てくる
　　・JUnitをはじめとするｘＵｎｉｔ，などで調査する
　　・入力を適当に変えて網羅率を上げる（ブラックボックス）
　　　→っていうことを行うのは難しいので、実はツールを使う
　　　　djunit等を使うと、網羅率が分かる

■結合テスト
・単体テストが終わると、次は結合テストを行う。
　レベル違いによって、ＩＴ１、ＩＴ２・・・がある※

・外部仕様どおりにつくっているか、確認する
　各画面、画面項目に対して、テスト観点の掛け合わせで
　テスト項目が出てくる（多すぎるときは直行表等で減らす）。
　　→境界値、同値などは、観点の１つ

・selenium等を使う。

※システムを１個のものと考えれば、ＩＴ１（ＩＴ２）だけでよい。
　システムが、いくつかのコンポーネントに別れているとき、
　・各コンポートのテストがＩＴ１，
　・全体を１つのものとみて、入出力を確認するのがＩＴ２

■総合テスト
・要求通りに創っているか、確認する
　大きく２種類のテストがある。両方確認する必要がある

（１）機能要件に対するテスト
・正常系のシナリオ、異常系のシナリオを満たしているか、確認する

（２）非機能要件に対するテスト
・負荷テストなど。品質特性などに従ってやるとか・・・

ツールとしてはJMeter等がある

---

とりあえず、こんなかんじかな
また、後で、加筆するかも

P.S　具体的なテスト項目の挙げ方の違いについては、以下参照

単体テストと結合テストのテスト項目の違い
https://blog.goo.ne.jp/xmldtp/e/890d3a845901b980b5704bc75f5ac694