Geek になろう

python でのpickleの使い方

2011-12-06T18:54:00.001+09:00

pickle はとても便利なモジュールです。
何にいいかというと、新規プログラムを作成して
いるときに、テストデータとしてpickle.dump した
データを使うとよいです。
しかも、オブジェクトなら何でも保存できますからとても
便利です。

def pickle_dump_arr(arr,name):
import pickle
f = open('%s.dump'%name,'w')
pickle.dump(arr,f)
f.close

def pickle_load_arr(name):
import pickle
f = open('%s.dump'%name)
arr = pickle.load(f)
return arr

３次元配列の作り方

2011-12-05T20:19:00.001+09:00

１番目の方法
>>> a = [[] for i in xrange(5)]
>>> b = [a for i in xrange(90)]
>>> c = [b for i in xrange(981)]
>>> d = numpy.array(c)
>>> d
array([], shape=(981, 90, 5, 0), dtype=float64)

>>>d.shape

(981,90,5,0)

２番目の方法

a = numpy.zeros([981,90,5])

a.shape

(981, 90,5)

a[0][0] = ([1,2,3,4,5])

numpy & scipy

2011-12-05T19:52:00.001+09:00

import numpy

num=0

serial = numpy.array([])

xpos = numpy.array([])

ypos = numpy.array([])

ccc = numpy.array([])

rot = numpy.array([])

while(1):

line = doc.readline()

if not line:

break

cols = line.split()

if cols[0][0]== ';':

continue

serial=numpy.append(serial,int(cols[0]))

xpos=numpy.append(xpos,float(cols[6]))

ypos=numpy.append(ypos,float(cols[7]))

ccc=numpy.append(ccc,float(cols[4]))

rot=numpy.append(rot,float(cols[5]))

#pcr.append(cols)

num +=1

pcr = numpy.vstack([serial,xpos,ypos,rot,ccc])

indices = numpy.lexsort(pcr)

sort_result = pcr.take(indices, axis=1)

sparx

2011-12-04T20:23:00.001+09:00

sparxでの
各reference 画像の相関係数を得る。

peak = Until.multiref_polar_ali_2d_peaklist(alldata[im],ringref,xrng,yrng,step,mode,numr,cnx+sxi,cny+syi)

peakのlistが返される。
peak[iref*5] => qn or qm ? crosscorrelation?
peak[iref*5+1] => ang
peak[iref*5+2] => sxs
peak[iref*5+3] => sys
peak[iref*5+4] => mirror flag

ゲーテの言葉

2011-12-04T12:52:00.001+09:00

財を失うことは小さく失うことである
名誉を失うことは大きく失うことである
勇気を失うことはすべてを失うことである

線形代数再入門

2011-12-04T11:26:00.001+09:00

線形代数というと、大学で学ぶが、何の役に立つのか全くわからないという代表である。

いろんな場数を踏むにつれて、いろんなところで線形代数が利用されていることに気づく、
さて、学び直してみるかと思っても、いわゆる”数学”本しかない。（数式は日々それになれていないとツライ。）

「プログラミングのための線形代数」はそのような人のための本である。
線形代数を直感的に理解できるように昇華している。すばらしい。
ぜひご一読を！

Endonote の使い方

2011-12-03T20:51:00.001+09:00

Endonote は論文の参考文献を作製するのに非常に便利です。クッリック一発で完全な参考文献リストを作成することができます。その使用方法を詳しく紹介します。

機械学習の勉強を始めるには

2011-12-02T09:10:00.001+09:00

機械学習の勉強を始めるには　http://blog.broomie.net/index.cgi?id=41
というサイトによくまとまっている。

スタンフォード大学が無料で提供している授業がわかりやすい。
「機械学習」　machine learning
「人工知能 AI]　https://www.ai-class.com/
データベース
について無料の動画が提供されている。

Social network（ソーシャルネットワーク）

2011-12-02T00:42:00.001+09:00

おくればせながらソーシャルネットワークを見た。
フェイスブックがどのようにして創立して発展してきたかを描いていてとても面白かった。
マークザッカーバーグはそんなに変なやつかはちょっと疑問だけど。

halcyon molecular

2011-12-02T00:05:00.001+09:00

DNAシーケンス法は急速に進んでいます。すごいのはアメリカが手法の開発を猛烈に推進していること。詳しくはgenaport http://genaport.genaris.com/GOC_sequencer_post.php?eid=00008

アメリカの National Human Genome Research Institute が毎年１０グループぐらい選んでそれにファンドしている。お金の出しっぷりがのっているサイトhttp://www.genome.gov/27545107
１グループあたり１millionドルから4millionドルも出している。やっぱりアメリカはすごいなあ。

Doing Bayesian Data Analysis

2011-12-01T22:42:00.001+09:00

ベイズ統計を学ぶには一番よい本です。
R言語を使いながら学びます。
英語がわかりやすく、頭にすっと入ります。

p(x,y) conjoint probability 結合確率
p(x|y) conditional probabilty　条件付き確率
p(y|x) = p(y,x)/sumy(p(y,x)) = p(y,x)/p(x)

著者 John Kruschke のブログ：http://doingbayesiandataanalysis.blogspot.com/
本書中に出てくるプログラム：http://www.indiana.edu/~kruschke/DoingBayesianDataAnalysis/
の中の Computer Programs

プログラミングのための確率統計

2011-12-01T22:38:00.001+09:00

とてもわかりやすいよい本です。
ぜひ手に取ってみてください。

確率は面積であるとういう観点から述べられている。
実は非常に高度な概念（測度論）を使って説明する方がわかりやすい。

youtubeのflvをipod用のファイルに変換　by mac

2011-12-01T12:24:00.003+09:00

Youtubeからダウンロードした.flvファイルをiPod touchで再生したいので、

flvをmp4に変換します。

mac用の変換ソフトは"Miro Video Converter".

これで一発変換。

めっちゃ簡単。

機械学習

2011-11-29T18:33:00.002+09:00

machine learning を学ぼうと思う。

画像解析に役に立ちそうとちょっと調べていると知っておかないといけないことがたくさんあるようだ。

機械学習(machine learning) はスパムメール対策やさまざまな自動化に用いられている。

Google やFacebook でかなり利用されている。

ベイズ統計や最適化法などかなり先端の知識が必要。