ビジキャリ生産管理プランニング要点まとめ

過去問の出題傾向を元に要点をまとめました。

出典

生産管理 2級―共通知識 (ビジネス・キャリア検定試験 標準テキスト)

生産管理プランニング(生産システム・生産計画)2級 (ビジネス・キャリア検定試験 標準テキスト)

製品設計の段階

概念設計

構想設計とも言う。製品イメージをスケッチなどで描く。

基本設計

要求仕様を満たすための基本機能を決める。基本設計図をまとめる。機能設計、意匠設計を含む。

詳細設計

各部品の詳細形状や寸法を決定。材質や公差も付加する。

生産システムの意義

構造的意義

生産設備の空間配置

変化プロセス的意義

ロジスティックシステム（モノの流れ）

手続的意義

設計システム（技術情報の流れ）、生産管理システム（管理情報の流れ）

治具と工具

工具

加工、締結などに用いる器具

治具

保持、位置決めの機能

生産管理システム

製番管理方式

生産指示ごとに生産数量、納期を決定。仕様の同じ製品を1つのロットとして製造番号を付ける。様々な管理を製造番号を元にして行う。

常備品管理方式

使用頻度の高い資材は適切な在庫をもって需要に対応する。

流動数管理方式

各工程が基準仕掛量を保有する。生産数量の変動を仕掛品の増減で吸収する。

追番管理方式

累計生産数による一貫番号をつける。この番号によってどの程度生産が進んでいるかわかる。

生産計画（期間別）

種類	期間	対象	手配
大日程	半年～1年先	全工場	総合手配
中日程	1～3ヶ月先	部門別、職場別	細部手配
小日程	1～10日先	設備、工程、作業者	作業手配

生産計画に必要な情報

項目	入力	出力
大日程計画	受注情報、総合余力表	総合計画表、製造命令書
中日程計画	基準日程表	生産予定表、調達手配
小日程計画	進度表、余力表	作業予定表、作業伝票

生産統制

作業統制

進捗管理

生産進捗の把握。遅れへの措置（残業、増員など）

現品管理

何がどこにあるか。

余力管理

余力が生じたら生産前倒しや他職場への応援を行う。
逆に対応し切れないときに残業や外注で対応する。

事後処理

計画と実績の差異を把握・整理。次回に活かす。

発注方式

定期発注方式

定期的に発注する。都度発注量の計算が必要。
＜適応対象＞
・金額の大きい重要品目
・需要変動の大きいもの
・リードタイムが長いもの

定量発注方式

一定の在庫量まで落ちたら一定量を発注する。
＜適応対象＞
・安価なもの
・共通に使用されるもの
・リードタイムが長くないもの

在庫管理関連の用語

経済的発注量

在庫維持費用と発注費用の総計が最小となる発注ロットサイズ

ダブルビン法

定量発注方式の簡易版

工数を表す単位

人的労働時間

機械運転時間

工程管理における数量特性

生産数量、所要数量、人数・機械台数

作業の標準化の順序

作業方法の標準化　→　作業時間の標準化

工程編成の順序

工程設計→作業設計→工程間物流、レイアウト設計

ラインへの部品供給

同期化供給方式

ラインに同期。１個や1セットずつ供給。

セット方式

マーシャリング方式

ロット供給方式

所定のロット単位で作業者の手元に供給。

ラインサイド供給方式

循環供給方式

少種多量　多種少量　

工場レイアウトの種類

基本レイアウト

建屋配置と職場配置。バックアップ施設、通路等の計画も含む。

詳細レイアウト

設備配置と動作配置。細部にわたるレイアウト計画。

工場レイアウト計画上の決定要因

安全性

作業環境

社会環境

弾力性

管理性

移動性

作業性

快適性

経済性

保全性

面積当たりの生産性

法規遵守

運搬

顕在的運搬

普通の運搬。品物の「移動」。

潜在的運搬

材料の取り置き、積卸し、整理などの「取扱」

取扱の方がウェイトが高く、重視する必要あり。

運搬の合理化

活性の向上

運びやすさ（活性）を向上

運搬の一貫性

ユニットロードシステム

取扱が便利になるように、ある単位にまとめる。統一する。

運搬の専門化

運搬経路の単純化、カラ運搬の排除

抜取検査の種類

基準型抜取検査

最も基本的な抜取検査。判定基準に従ってロットの合否を判定。

選別型抜取検査

不合格だった場合は全数選別する。

調整型抜取検査

抜取検査の程度を「ゆるく」したり「きつく」したりする。

連続生産型抜取検査

最初は1個ずつ全数検査。適合品が続いたら抜取。不適合品が発生したら全数に戻す。

原価関連の用語

原価統制

計画された原価の範囲内に収める

原価低減

業務プロセス改善や設計見直しでコストダウンを図る

原価維持

標準原価と実際原価の差異を分析し、実際原価を予め定めた範囲に収める

原価改善

製造段階での原価低減

原価企画

企画、開発、設計段階での原価低減

機会原価

いくつかの代替案から１つ選んだ時、他の選択肢を選んだときに発生したであろう原価

埋没原価

置かれた状況で回収することのできない原価

標準原価

目標値としての原価標準

環境管理に関する用語

レスポンシブルケア

化学物質の開発から廃棄の全ての工程で、自主的に環境・安全面に配慮し、対策を行う。

ゼロエミッション

排出される全ての廃棄物・副産物が他の産業の資源として使われ、全体として廃棄物を生み出さない生産を目指す。

環境会計

環境保全のためのコスト、効果を把握し定量的に測定・伝達する。

ジェンティリナグリーン収穫＋GIF作成

水耕栽培器のジェンティリナグリーンは順調に育ち、先日遂に収穫を迎えました。

さて、IoT水耕栽培器ということで、30分ごとにラズパイカメラで写真を撮り、google driveに蓄積していました。今回は、これを繋ぎ合わせて成長の様子を表すGIFを作成したいと思います。

python + pillowでjpgをgif化する

gif作成にはpythonのpillowを使います。

基本的には、これでgifが作成されます。

from PIL import Image
import pathlib

p = pathlib.Path('201901_ジェンティリナグリーン')
files = sorted(list(p.glob('*jpg')))
images = list(map(lambda file: Image.open(file), files))
images[0].save('201901.gif',save_all=True, append_images=images[1:], optimize=False, duration=40, loop=0)

pathlibでjpgのパスを掴んでpillowでgifにして保存。
 

ただ、何も考えずに30分おきに取得した画像をgif化すると中々の容量になります。今回のケースだとおよそ500MB。容量削減が必要。

gifの容量削減

まず解像度を1024×768から512×384に下げます。

次に、jpgファイルを間引きます。22時から6時は水耕栽培器が消灯しているので、画像も真っ黒。この期間は使わなくて良い。さらに時間間隔も粗くします。色々試しましたが、1日数枚程度でも割と育ってる感は出るみたい。

pythonスクリプトを修正。

from PIL import Image
import pathlib

p = pathlib.Path('201901_ジェンティリナグリーン')
files = sorted(list(p.glob('20190???0700*.jpg')) + 
               list(p.glob('20190???1[3,9]00*.jpg')))
images = list(map(lambda file: Image.open(file).resize((512,384)), files))
images[0].save('201901_圧縮版.gif',save_all=True, append_images=images[1:], optimize=False, duration=20, loop=0)

jpgファイル名がタイムスタンプなのでpathlib globのパターンマッチング条件で対象のファイルを絞り込んでいる。   これで容量は20MB程度まで減少。

さらに

ezgif.com

を使って圧縮。

変化のない部分を透明化したり、色数を削減して圧縮を行う。

これで8MB程度まで容量削減。

なんとかはてなブログにあげられる程度まで容量が削減できました。

完成したGIF

若干怖い...。でもなんだか面白い。

今後の予定

中々面白いので引き続き、色んな植物を育ててみます。
次は水菜。

温度、湿度、CO2のデータは今のところ特に使い道がない...。

参考資料

Python PillowでPNGからGIFを作る - Qiita
GIFアニメを90%圧縮 – てまりのUXブログ

「QC検定1級」受験します

3月開催のQC検定1級に申し込みました。

受験の動機

製造絡みのデータ分析をする上では、押さえておいたほうが良いかなと思いまして。
製造分野だと、ITや機械学習は詳しくないがSQCはマスターしているというお客さんがそれなりにいて、マサカリが飛んでくるのが怖いという思いもあります。

試験区分

1,2,3,4級、４つのレベルがあります。

試験内容

１級のみ、論述あり。

合格基準

合格基準は、70%ボーダーということで若干厳し目。

1級のマークテストのみ合格で準1級として扱われる模様。

何級受けようか?

いっちゃんいいやつ、ということで1級を選択。

試験実績

1級はその他の級と比較して一桁受験者数が減って、おおよそ1000人程度。そして、直近の合格率は5%程度ということで中々に難易度が高そうです。

学習計画

2月に生産管理プランニングの試験もあるので、時間の割り振りが難しいですね。
確実にこちらの方が難しいので、出来るだけ1~2月もQC検定の対策に時間を充てたいです。

手元にこのテキストがあるので、まずはこれで勉強。

【新レベル表対応版】QC検定受検テキスト1級 (品質管理検定集中講座[1])

後は早めに過去問を買って、解いておきたい。

過去問題で学ぶQC検定1級 2018・2019年版

論述はどうしようか?考え中。

ネットワークスペシャリストに合格したのでおススメの勉強方法を紹介する

H30のネットワークスペシャリストに合格しました。2回目の挑戦ではありましたが、殆どネットワークの実務経験なしの状態で合格することが出来ました。

午後2がギリギリですが...

この実体験を元に、未経験でもネスペに受かる勉強法、おススメの参考書を紹介したいと思います。

心構え

過去、DBスペシャリストの勉強方法を紹介した際には、「コツ・慣れで合格可能です」と書きました。

www.t88.work

しかし、ネスペはそうはいきません。
DBとネスペを比較すると、
未経験の状態で受験したときの難易度は
天と地の差がある、というのが個人的な印象です。

未経験で合格しようと思うと、それなりの学習時間が必要、
という意識は持つ必要があります。

勉強方法/おススメの参考書

勉強方法と、そのとき使う参考書についてステップに沿って紹介します。

基礎知識習得

未経験者と言っても、
インターネットは使ったことがある。
IPアドレス、MACアドレス、TCP/IP...　関連するワードは聞いたことがある。
という人が大半だと思います。

ただ、それらが有機的に結びつかない。
どのようなフローでインターネットに繋がっているかは分からない。
という人もまた多いのではないかと思います。

この基礎知識なしに試験勉強を進めていっても、上滑りしてしまいます。
まずは下のような本で概要を掴むのが良いでしょう。

ネットワークはなぜつながるのか 第2版 知っておきたいTCP/IP、LAN、光ファイバの基礎知識

マスタリングTCP/IP 入門編 第5版

ネスペの出題範囲を掴む

上で挙げた本だけでは、ネスペの出題範囲をカバー出来ていません。

全体のスコープを早期に把握する意味で、
次のステップでは、
ネスペのテキストに目を通しておくと良いと思います。

下記の本は、まとめ方がよく、読みやすかったです。

徹底攻略 ネットワークスペシャリスト教科書 平成30年度

午前2対策（という名の基礎知識定着）

www.nw-siken.com

午前2は四肢選択問題です。

午前2に関しては、基本的には上記サイトで過去問をひたすら解いていれば、合格点に達することは可能です。

ただし、単純に午前2の対策というのではなく、基礎知識定着のために上記サイトを活用するのが良いと思います。そのために、正解であっても解説の説明を読み、理解を深めるのが良いと思います。

午後問題では、用語を穴埋めするような問題があります。
大体、設問の頭にあるので、ここが解けないと精神的にもしんどいです。
そういう意味で、午前2対策は午後にも効いてきます。

午前2対策に関しては、通勤時間などスキマ時間での対応で充分です。
机に向かえる時間は別のタスクに充てたいですね。

午後1,2対策

午後1,2は記述式です。

ネットワーク関連の実務を模した状況が設定され、それについて設問があります。

設問自体はそこまで難しいことを聞かれる訳ではないですが、やはり実務経験がないと最初は何がなんだかさっぱり状態になります。

過去問の学習を実務のシミュレーションと捉え、経験値を積んでいく必要があります。それぞれの問題について、問われていること以外も含めて理解するようにする、という学習をとにかく重ねるのが重要だと思います。

そういった意味で、午後1,2の参考書は解説がしっかりしているものが良いです。
定番ですが、ネスペシリーズがおススメです。

ネスペ30 知 -ネットワークスペシャリストの最も詳しい過去問解説

ネスペ 29 魂 -ネットワークスペシャリストの最も詳しい過去問解説

ネスペの基礎力 -プラス20点の午後対策 (情報処理技術者試験)

ネスペ 27 礎 -ネットワークスペシャリストの最も詳しい過去問解説 (情報処理技術者試験)

ネスペ 26　道　?ネットワークスペシャリストの最も詳しい過去問解説 (情報処理技術者試験)

ネスぺの剣25 ~ネットワークスペシャリストの最も詳しい過去問解説 (情報処理技術者試験)

1冊で試験１回分、ということで詳細な解説が載っています。

午後1,2の対策に関しては、多くの時間を割いて、過去4~5年分を２回通りは解いておくと良いと思います。

まとめ

ネスペの勉強法、参考書を紹介しました。

未経験から合格するためには、それなりの時間を費やす必要があると思います。
一方で、この学習を通じて得るものも多いと思っています。

試験対策ではなく、ネットワークについて学ぶ題材として利用する、くらいのスタンスで地道に努力するのが、結果的には合格の近道かもしれません。急がば回れ。

関連記事まとめ：
他にも色々と資格取得中です。 www.t88.work

「生産管理プランニング２級」受験します

ビジネスキャリア検定の2級生産管理プランニングを受験するので、試験種類、難易度、合格率などを調査しました。最後に今後の学習方針も立てました。

受験の動機

業務で工場関連の分析に携わることが多いので、生産管理について勉強したいと考えていました。

前の仕事は商品開発でしたが製造はEMSで行っていたので、あまり工場内の活動に関して肌感覚を持っているとは言えず。それを補いたいなと。

いつもの如く、何か関連した資格がないかなと探していました。
その過程で見つけたのがビジネスキャリア検定。

www.kentei-uketsuke.com

中央職表能力開発協会主催の検定で、人事、財務、経理、マーケティング、ロジスティクスなど8つの分野に関する検定があるそうです。

その中の一つとして、生産管理についても検定があるということなので、受験することにしました。

ビジキャリ生産管理の試験種類

驚くことに、生産管理関連の試験だけで9試験もあります。

* 1級生産管理
* 2級生産管理プランニング(製品企画･設計管理)
* 2級生産管理プランニング(生産システム･生産計画)（加工型・組立型）
* 2級生産管理プランニング(生産システム･生産計画)（プロセス型）
* 2級生産管理オペレーション(作業･工程･設備管理)
* 2級生産管理オペレーション(購買･物流･在庫管理)
* 3級生産管理プランニング * 3級生産管理オペレーション
* BASIC級生産管理

うーん、ややこしい...。

まず、等級として
BASIC、3級、2級、1級 があります。

2級と3級は
「プランニング」と「オペレーション」
に分かれます。

さらに2級のプランニングのみ、
「製品企画・設計管理」と「生産システム・生産計画」 に分かれます。

さらにさらに生産システム・生産計画は、
「加工型・組立型」と「プロセス型」
に分かれます。

うーん、フローチャートを描きたい。

どれ受けようか

等級

1級受けようと思いましたが、後期試験では開催していない模様。
それでは2級にしましょう。

プランニング/オペレーション

ビジネス・キャリア検定試験では、主に生産管理部などで、生産システムの設計・計画業務に従事している方を対象とした「生産管理プランニング」と、生産システムの統制・運用業務に従事している方を対象とした「生産管理オペレーション」に区分しています。

IT部門の立ち位置でシステム構築、及びシステムから取得されたデータを元に分析する、ということを考えるとプランニングの方がフィットするのかなと思いました。

加工型・組立型/プロセス型

加工型・組立型は字の如く、部材を組み合わせて商品を作るものづくり。プロセス型はプラントでガスやら液体やらを精製したりするものづくりですよね。今のところ、関連しそうなのは前者。

ということで、
2級生産管理プランニング(生産システム･生産計画)（加工型・組立型）
に決定。

難易度はどのくらい？

2級は5肢択一/40問/正答率60%以上/110分。

2級生産管理プランニング(生産システム･生産計画)（加工型・組立型）の過去試験の結果は、

H28後期：53/173 (合格率31%)
H28後期：37/156 (合格率24%)
H29前期：81/173 (合格率47%)
H29後期：60/178 (合格率34%)
H30前期：55/155 (合格率33%)

受験者数が少なく変動が激しいですが、
大体３割くらいの合格率です。

そこまで難易度は高くない試験と言えると思います。

学習方針

公式テキストで勉強を進めます。

生産管理 2級―共通知識 (ビジネス・キャリア検定試験 標準テキスト)

生産管理プランニング(生産システム・生産計画)2級 (ビジネス・キャリア検定試験 標準テキスト)

あまり時間を掛けれそうにないので、公式サイトにある４回分の過去問をテキスト見ながら解いていく学習を始めに行って合格するための最低限のレベルに早い段階で到達したい。

読書を再考する

正月休みももう終わりです。

この休みは、結構本を読みました。
改めて、読書っていいなというシンプルな感想を抱きました。

というわけで読書熱が再燃してる新年です。
この2019年、良い読書習慣を継続できるように、
読書、とりわけその方法論について再考したいと思います。

どこで本を見つけるか

基本的には本屋

本屋の広大な敷地にずらっと並んだ本。
そこから気になった本を手に取る。
ここから読書がスタートしてると言っても過言ではない。

本屋っていいですよね。
あの探索性はネットでは、まだまだ置き換えられない。

新刊情報はブクログ

新刊情報をいい感じに配信してるところって意外と少ない、という印象です。

読書管理ブクログ - 本棚/バーコード/読書記録

• Booklog,Inc.
• ブック
• 無料
• 

ブクログのアプリには、新刊情報というページがあってこれが割と好み。
ジャンルや形態問わず、列挙されているので遷移の手間がない*1

キュレーションサイトも活用したい

honz.jp

dain.cocolog-nifty.com

www.bookvinegar.jp

自分で探すのもいいですが、
人のおススメ本を読むのも良いですよね。
今年はもっと色々なサイトを開拓したい。

書籍の入手方法

就職して独り身の時は、
「若い時は自分への投資を惜しむな」という言説を拝借して、とにかく目に付いた本を購入していました*2。

しかし、今は経済的自由が大きく制限されているので*3、そんな暴挙に出るわけにも行かない。 詰まるところネックはお金。

図書館を活用しよう(リードタイムに応じて)

図書館って最高の福祉。
タダで読めるならその方が良い。
読んでみて気に入ったら買えば良し。

本屋で見つけた本を図書館で予約する。

但し、人気本は数十件の予約があることもザラ。
そうなってくると、手に入るころにはその本への関心が薄れてたりする。
図書館利用は、予約件数が一桁台のときに限定したい。

図書館予約にライブラリアンを使う

ライブラリアン

• shinichi tanimoto
• ユーティリティ
• 無料
• 

興味のある本が図書館にあるか検索して予約する。
割と時間の掛かる作業です。

ライブラリアンというアプリを使えば、
書籍のバーコードを読み込めば、
登録した図書館にその本があるか直ぐに確認が出来ます。
更にそこから予約ページに遷移できます。

※個人的には、図書館日和というアプリのほうがレスポンスが良く、好みでしたが私の町の図書館では、予約ページに遷移できないという不具合があり、使用を断念。

図書館日和

• hiKnowledge Software
• ライフスタイル
• 無料
• 

即買おう。即売ろう。(自分に合わなかったら)

図書館がダメなら、買うしかない。

それが良い本だったのなら、
手元に置きたい本なのだから万々歳。

悪い本だったら？
即売るしかない。

メルカリ- かんたん購入・出品 フリマ通販アプリ

• Mercari, Inc.
• ショッピング
• 無料
• 

大事なのは新刊を即買って、即読んで、即売ること。
売りたくなるような本ではあるが、一度は買いたくなった本でもある。
世の中の人々も同様に興味を抱いている可能性がある。

メッキが剥がれる前に高値で売ってしまいたい。

読んだ本を記録する

人は忘れる生き物です。
なので一度読んだ本を平気で買ってきてしまう。
読んだ本を記録せねば。

さようなら、mediamarker

mediamarker.net

これまではmediamarker+evernoteで読んだ本を管理してましたが、mediamarkerがサービス終了するということで代替案を考える必要が出てきました。

とりあえずブクログで

読んだ本の管理についてもブクログをとりあえず使います。
バーコード読み取り、タグ付け、メモなど一通りは機能があっていい感じです。
evernoteとの連携はIFTTTで出来るようですが、実はあまり必要性を感じていない今日この頃。

アウトプットに挑戦したい

これまではひたすら読むだけでした。

でもアウトプットする、というかその過程の中で得られるものって多い。
と偉い人がよく言ってる。最近。

おススメ本の紹介（月１）

人に勧めたいな、と思う本って10冊に1冊くらいという肌感覚です。
1ヶ月に十冊読むとしたら丁度月１。
その位のペースでこのブログで本の紹介が出来たらと思います。

書評、というのをしたことがなく、
脳の未開拓領域が刺激されそう。

テーマを決め、それについて論じる

複数の本から得た着想を元に、掘り下げるテーマを決め、考えについて書いてみたい。この本の受け売りですが。

知的生活の設計―――「10年後の自分」を支える83の戦略

おわりに

長期休暇で時間があるからこんな事を言ってるけど、仕事が始まったらそんな時間ないわ、ってなる気もしてる。これについては今年の終わり頃に振り返ってみたい。

そう考えると、実はどう読書時間を確保するか、が一番重要な気がしてるが言及がない。手落ち感...。

*1:ラノベとかBLとか興味がないものまで表示されるので、フィルタ機能があるとなおよし

*2:おかげで寮の部屋のデッドスペースが殆ど本で埋まった

*3:その原因について多くは語らない

IoT水耕栽培器で野菜を育てる

水耕栽培器IoT化（第9回）

長い道のりでした。

計画を立ててから約半年。
水耕栽培器のIoT化 1stSTEPが完了しました。

いよいよ野菜を育て始めます。

振り返り（システム構成）

水耕栽培器

ユーイング 水耕栽培機GreenFarm UH-A01E1

ユーイングのGreen Farm(UH-A01E1)
本体です。

ラズパイ

Raspberry Pi3 コンプリートスターターキット (Standard 16G)

Raspberry Pi Model B
センサ・カメラを取付け、データ転送を行う。

温湿度センサ

SODIAL(R) DHT22 AM2302 デジタル温度湿度センサーモジュール

DHT22

CO2濃度センサ

YCOSON MH-Z19 0-5000PPM CO2室内空気質モニタ用赤外線CO2センサUART/PWM

MH-Z19

カメラ

ja.aliexpress.com

視野角130度の広角カメラ。

データ保存

センサ測定値：Ambient
写真：Google Drive

可視化

Ambient

水耕栽培を始める

初回キットを使います。
種はジェンティリナグリーン*1。
あとは液体肥料、栽培スポンジが入ってます。

ケースに養液を貯める

水を貯めます。4Lほど。結構なみなみ*2。
その後、液体肥料を30ml投入します。

スポンジを準備する

スポンジに水を染み込ませます。

スポンジを取り付ける

苗床パネルの穴にスポンジを取り付けます。
スポンジを取り付けない穴には蓋をします。

種投入

スポンジの窪みに一つずつ種を投入します。

完成

ケースをセット。センサ・カメラの配線を整理。

おわりに

ついに水耕栽培をスタートしました。
今後は基本的に放置。生長を見守ります。

無事収穫が出来たら、また記事にしたいと思います。

常時、Ambientで最新状況を公開しているので、興味がある方はご覧ください。

前の記事：ラズパイのカメラ画像をGoogle Driveに上げる

水耕栽培器IoT化 目次

*1:よくわかりませんがレタス系のようです。

*2:本棚の上に設置＋内部には電子機器、ということで中々神経を使う作業です。

ラズパイのカメラ画像をGoogle Driveに上げる

水耕栽培器IoT化（第8回）

前回までの取り組みで、Ambientというサービスを使って、センサデータをクラウドに保存＆可視化できるようになりました。

www.t88.work

今回は、カメラで取得した画像をクラウドに保存できるようにします。保存先としては、APIなどが整っていて扱いやすそうなGoogle Driveを用います。

また、少し工夫をしてAmbient上に最新の写真を表示できるようにします。これによって、Ambientだけで簡易的なダッシュボードが構築できます。

Google Driveの下準備

下記記事を参考に、pythonでGoogle Driveを扱うために必要なパッケージのインストールや、OAuth認証絡みの設定を行います。

qiita.com

基本的に、この通り進めていけば問題ないのですが、私の環境ではpythonスクリプトでエラーが出ました。

pythonスクリプト(エラー部)

  from pydrive.auth import GoogleAuth

エラー内容

Traceback (most recent call last):
  File "picture_test.py", line 4, in <module>
    from pydrive.auth import GoogleAuth
ImportError: No module named pydrive.auth

pydriveのインポートに失敗している模様。

下記コードでパッケージの探索先を明示的に加えてみたところ、エラーは解消。

import sys
sys.path.append('/home/pi/.local/lib/python2.7/site-packages/pydrive')

これでローカルのファイルをGoogle Driveにアップロードすることが出来るようになりました。

カメラで撮影＆アップロード

①カメラで写真を撮影、②撮影した写真をGoogle Driveにアップロード、③ローカルに残ったファイルを削除する、pythonスクリプトを作成します。

# coding: UTF-8
import sys
sys.path.append('/home/pi/.local/lib/python2.7/site-packages/pydrive')

import os
from datetime import datetime
from picamera import PiCamera
import time
from pydrive.auth import GoogleAuth
from pydrive.drive import GoogleDrive

# 写真撮影
with PiCamera() as cam:
    cam.resolution = (1024,768)
    cam.rotation = 90 #カメラを横向きに設置したので90度回転させる
    
    # 現在時刻を取得
    tstp = datetime.now().strftime("%Y%m%d%H%M%S")
    file_name = tstp + '.jpg'
    # 写真撮影。取得した現在時刻をファイル名に設定
    cam.capture(file_name)

# google drive
gauth = GoogleAuth()
gauth.CommandLineAuth()
drive = GoogleDrive(gauth)

folder_id = 'hoge'

# 写真をアップロード
f = drive.CreateFile({'title': file_name,
                      'mimeType': 'image/jpeg',
                      'parents':[{'kind':'drive#fileLink','id':folder_id}]})
f.SetContentFile(file_name)
f.Upload()

# ローカルに保存したファイルを削除
os.remove(file_name)

これでスクリプトが走る度に写真を撮影し、Google Driveの所定のフォルダに画像ファイルを格納することができます。

Ambientに最新画像を表示

Ambientには画像を表示する機能があります。Ambientのチャネル設定の中のEmbed codeの部分にGoogle Driveの共有リンクを貼り付ければ、そのファイルを読み込んで表示してくれます。

このままでは特定の画像を静的に表示するだけですが、共有リンクしたファイルを最新画像に更新すれば、Ambientの表示も最新化することが出来ます。
但し、Google Drive上では同名のファイルを上げても、上書き保存されず別ファイルとして保存されてしまうので、ファイルIDを指定して更新を掛ける必要があります。

具体的な手順としては、下記の通り。
① 蓄積用の画像ファイル(日時.jpg)とは別に、最新データ(latest.jpg)をアップロードする

② Google Drive上でlatest.jpgのファイルIDを確認する。(共有リンクの"open?id="以降の文字列がファイルID)

③ 最新データ(latest.jpg)のアップロード時にファイルIDを指定するようにスクリプトを変更する

先ほどのスクリプトには下記コードを追記することになります。

# 最新版を更新
f1 = drive.CreateFile({'title': 'latest.jpg',
                      'mimeType': 'image/jpeg',
                      'parents':[{'kind':'drive#fileLink','id':folder_id}],
                      'id': 'hoge'})
f1.SetContentFile(file_name)
f1.Upload()

4行目の'id': 'hoge'が変化点。hogeの部分にファイルIDを入れる。

実際にスクリプトを実行。Google Driveを確認。

日時.jpgとlatest.jpgがアップロードされています。

さらにもう一度実行し、Google Driveを確認。

新たなタイムスタンプの日時.jpgが追加、latest.jpgの画像が更新されています。

Ambientでの状況も確認（初回スクリプト実行後）

右下に画像が表示されている。

スクリプト２回目実行後。

画像が更新されている。

cronで定期実行

前回同様、cronで定期実行させます。

*/30 * * * * sudo python get_picture.py

とりあえず30分毎に設定しました。

おわりに

Google Driveへのファイルアップロードは思ったより手軽に出来ました。Ambientで最新画像表示もできたので、現在の状況を可視化するダッシュボードとして一応は成立したかな、という印象です。これで、いつでもどこでも野菜の生育状況が確認できる。

８月からボチボチ進めてきて、だいぶ時間が掛かりましたが、これで一通りの準備が完了しました。次回はいよいよ野菜を育て始めようと思います。

前の記事：ラズパイで取得したデータをAmbientに上げる
次の記事：IoT水耕栽培器で野菜を育てる
水耕栽培器IoT化 目次

ラズパイで取得したデータをAmbientに上げる

水耕栽培器IoT化（第7回）

前回までで立ち上げた、温湿度センサとCO2センサで取得したデータをネットに上げます。 データを保存します。あまつさえ可視化します。Ambientを使って。

https://ambidata.io/

AmbientはIoTデーターの可視化サービスです。
マイコンなどから送られるセンサーデーターを受信し、蓄積し、可視化(グラフ化)します。

Ambient初期登録

Ambientを使ってみる – Ambient に沿って。

ユーザ登録する

メールアドレス、パスワードを登録するだけ。

チャネルを作る

チャネル、というのが一つのグループ単位のようです。

１つ作成し、設定でチャネル名を変更してみた。

pythonスクリプトを改良する

これまで作成したセンサ読み取り用スクリプトを一つのスクリプトにまとめます。 併せて、Ambientへのデータ送信機能を付け足します。

import Adafruit_DHT as DHT
from decimal import Decimal, ROUND_HALF_UP, ROUND_HALF_EVEN

import serial
import time
import subprocess
import slider_utils as slider
import getrpimodel

import ambient

'''
温湿度センサ
'''
# センサー種類
SENSOR_TYPE = DHT.DHT22
# GPIOポート
DHT_GPIO = 22

# 測定
h,t = DHT.read_retry(SENSOR_TYPE, DHT_GPIO)

# 四捨五入
h = Decimal(h).quantize(Decimal('0.1'), rounding=ROUND_HALF_UP)
t = Decimal(t).quantize(Decimal('0.1'), rounding=ROUND_HALF_UP)



'''
CO2濃度センサ
'''
# setting
if getrpimodel.model() == "3 Model B":
  serial_dev = '/dev/ttyS0'
  stop_getty = 'sudo systemctl stop serial-getty@ttyS0.service'
  start_getty = 'sudo systemctl start serial-getty@ttyS0.service'
else:
  serial_dev = '/dev/ttyAMA0'
  stop_getty = 'sudo systemctl stop serial-getty@ttyAMA0.service'
  start_getty = 'sudo systemctl start serial-getty@ttyAMA0.service'

def mh_z19():
  try:
    ser = serial.Serial(serial_dev,
                        baudrate=9600,
                        bytesize=serial.EIGHTBITS,
                        parity=serial.PARITY_NONE,
                        stopbits=serial.STOPBITS_ONE,
                        timeout=1.0)
    while 1:
      result=ser.write("\xff\x01\x86\x00\x00\x00\x00\x00\x79")
      s=ser.read(9)
      if len(s) >= 4 and s[0] == "\xff" and s[1] == "\x86":
        return {'co2': ord(s[2])*256 + ord(s[3])}
      break
  except IOError:
    slider.io_error_report()
  except:
    slider.unknown_error_report()

def read():
  p = subprocess.call(stop_getty, stdout=subprocess.PIPE, shell=True)
  result = mh_z19()
  p = subprocess.call(start_getty, stdout=subprocess.PIPE, shell=True)
  if result is not None:
    return {'CO2': result["co2"]}

value = read()
c = value["CO2"]


'''
Ambient
'''
ambi = ambient.Ambient(8637, "ライトキー")
r = ambi.send({"d1":t,"d2":h,"d3":c})

インスタンス作って、.sendで送るだけ。めちゃくちゃ簡単ですね。

スクリプトを実行すると、こんな感じでデータがあがっています。

cronを使って定期送信させる

定期的にデータを取得したいので、cronを使います。
crontab -e でcrontabファイルを開いて、その中に

*/5 * * * * sudo python data_logging.py  

と書き込み。これで5分ごとスクリプトが走ります。

仕上げ

設定でグラフタイトルを変更。

公開設定に変更。
https://ambidata.io/ch/channel.html?id=8637

おわりに

Ambientを使うことですごく簡単にセンサデータのロギングや可視化が出来ました。 あとはカメラのデータについて対応すれば、いよいよ水耕栽培器立ち上げです。

前の記事：ラズパイ×MH-Z19でCO2濃度測定
次の記事：ラズパイのカメラ画像をGoogle Driveに上げる
水耕栽培器IoT化 目次

ラズパイ×MH-Z19でCO2濃度測定

水耕栽培器IoT化（第6回）

またまた間が空いてしまった、水耕栽培器IoT化を進めていきたいと思います。

目標としては今年中に稼動させたい。
大分寒くなってきてるので、室内とは言え植物が正常に育つか不安ですが...。

今回は、CO2濃度センサを立ち上げたいと思います。

下記記事を参考にさせて頂きました。

qiita.com

CO2濃度センサ MH-Z19

CO2濃度センサにはMH-Z19を使います。
結構ネットで関連する記事も見つかり、よく使われている模様。
amazonとかでも売ってますが高いので、Aliexpressで購入しました。

ja.aliexpress.com

結線

結線用にピンヘッダーを半田付け。

ラズパイと結線。
PWMかUARTかで結線が異なる。
今回はUARTを使うので、下記の様に結線。

ラズパイ	MH-Z19
5V	Vin
GND	GND
GPIO14(UART_TXD)	Rx
GPIO15(UART_RXD	Tx

※RXDとTXDは互い違いで結線する

ラズパイ設定、pythonスクリプト

こちらの記事に沿って、

• UARTを有効化
• ラズパイ再起動
• python関連モジュールをpip install
• git cloneで制御プログラムを取得
  を行う。

CO2濃度取得

制御プログラムを実行。
CO2濃度1899ppm。大分高い。

30分ほど換気後、再測定。
815ppm。外気が約400ppmらしいのでこの数値はおかしい。

キャリブレーション

ゼロ点補正のコマンドをセンサに送ってキャリブレーションを行う*1。
このコードもこちらの記事を参考に。

キャリブレーション後、再測定。
399ppm。ちゃんとキャリブレーション出来たみたい。

オートキャリブレーションの無効化

デフォルトではオートキャリブレーションが有効になっている。
これは、1日のmin値を400ppmに合わせる仕組みなので、 一日中部屋を閉め切っているような場合は、ゼロ点がずれてしまう。
コマンドを送って無効化する。

先ほどのキャリブレーション用スクリプトを手直し。
センサのマニュアルからオートキャリブレーション入切のコードを確認。

これに沿って、制御プログラムの
ser.write()内の文字列を
"\xff\x01\x79\x00\x00\x00\x00\x00\x06"
に変更。

戻り値がなく、よく分からないが、多分これでokなはず。

おわりに

大分時間が掛かりましたが、カメラ、温湿度センサ、CO2濃度センサの立ち上げが完了しました。 これで用意したセンサ類の準備は全て完了。

次回は、これらのセンサのデータを定期的にネットワークに上げ、 保存する仕組みを構築したいと思います。

前の記事：ラズパイで温湿度測定
次の記事：ラズパイで取得したデータをAmbientに上げる
水耕栽培器IoT化 目次

*1:zeroといっても0ppmではなく、外気の400ppmに合わせるようにオフセットが掛かる模様。

2018年買ってよかったもの

斜めドラム洗濯乾燥機 VX-9800 / Panasonic

パナソニック 【左開き】11．0kgドラム式洗濯乾燥機 ノーブルシャンパン NA-VX9800L-N

以前は縦型の洗濯機を使っていたんですが、子供が産まれて「時間が減って衣服が増えた」的な 状況になったので、とにかく時短がしたいなと。具体的には洗濯物を干す時間を削減したいなと 。
乾燥使うならドラム式でしょう、ヒートポンプでしょう、ということで購入しました。

20万円以上の決して安くない買い物でしたが、結果的には大満足です。
流石にお洒落着系は避けますが、それ以外の肌着・タオル・子供服なんかは、洗濯乾燥で全然問題なし。素晴らしい。革命的。　　

この製品ならではの機能を挙げるとしたら、「スマホから操作」「洗剤自動投入」です。 スマホ操作は、予め洗濯機を待機状態にしておかないといけず、あまり活用できていない。 一方で洗剤自動投入は地味に便利。洗剤くらい自分で入れるわ、と思っていたけど、この些細な作業がなくなると 結構嬉しい*1。

若干の不満は、乾燥掛けるとほぼ毎回フィルタ掃除を要求されることですが、まあこんなもんかな、と 思っています。

ハンディクリーナ ZB5104WD / エレクトロラックス

エレクトロラックス 紙パックレス式ハンディクリーナー充電式　乾湿両用タイプディープブルー【掃除機】Electrolux Rapido(ラピード ウェットアンドドライ) ZB5104WD

1歳児の食事は悲惨。
クッキーモンスターのほうが、まだ綺麗に食べるよ、って感じ。
ということで食後は床に液体含め、色々なものが散乱することに。

そんなときにこれがあれば！
なにも考えず、液体も固体もその中間も、どんどん吸引。
カップを開けて水洗いで終了。革命的。

上の洗濯機はこんだけ払ったんだがら、そりゃまあ仕事するよね、っていう感じですが、 こいつは5000円くらいなんですね。期待せずに買ったら大活躍。コスパ高し。

難点は、ダストカップの吸い口が欠けやすい。既に一度交換した。 2500円なり。2つ買ったら本体買えちゃうじゃん。

スーツケース CUBO / LOJEL

LOJEL (ロジェール) CUBO キューボ キャリーケース スーツケース 37L 2泊 3泊 LCC対応 lo-cubo-s (マスタード)

我が家には一週間用のスーツケース×2しかなくて、一泊くらいの出張のときに困っていたので思い切って空港で購入した。

飛行機の機内持ち込みできるのはやはり便利。
あと、真ん中がぱかっと割れるタイプではなく、側面のポケットが開く仕組みなので、直立させた状態でも 物の出し入れが出来るのが結構便利。サイドポケットも良いサイズ間。ノートPCを入れるのに丁度良い。

(おまけ)思ったより使えなかったもの

Nintendo Switch

Nintendo Switch 本体 (ニンテンドースイッチ) 【Joy-Con (L) ネオンブルー/ (R) ネオンレッド】

BoW、マリテニ、オクトパストラベラーなどソフトも買った。
が、なんせ時間がない....。

ルンバ

iRobot ロボット掃除機 ルンバ890 R890060 R890060

頻出の「ルンバを動かすための掃除が必要」問題ですね。

*1:と書いたものの、もっぱら畳む作業専従になりつつあるので、あまり洗濯機を触っていない今日この頃

J.Score(AIスコア)は学習意欲向上に使えるか

中国ではアリババの「芝麻信用」という信用スコアが定着しているようで、 前から少し興味を持っていました。

lxr.co.jp

調べてみると、この「芝麻信用」に似たサービスとして、日本でも「J.Score」というAIスコアレンディングサービスが存在するようで。

www.jscore.co.jp

J.Scoreはあなたが提供したさまざまな情報を先進的なAI技術で分析し、将来の可能性を総合的にAIスコア化します。 年齢や年収、勤務先といった情報だけではなく、性格や好み、ライフスタイルなどこれまで加味されてこなかったような多種・大量の情報を先進的なAI技術で分析しますので、これまでよりもあなたの可能性や信頼性を公正にスコア化します。 またAIスコアはあなたが提供する情報が増えれば増えるほど精度が増し、ご自身の可能性や信頼性をAIスコアに反映させることができます。その結果、スコアアップする可能性があります。 しかも、提供する情報はご自身で決めることができるので安心です。 AIスコアは個人向け融資サービス『スコアレンディング』をはじめ、今後さまざまなサービスで活用できるようになります。

自分の可能性をAIがスコア化。なんか面白そう。

更に、こんな記事も。

もう自分の「AIスコア」を測った？ J.Scoreの新アプリがビジネスパーソンの“モチベーション増幅ツール”になる理由 - ITmedia NEWS

スキルアップのモチベーションのため、Jスコアを活用しよう、というもの。

AIスコアを学習意欲向上に使いたい

照明/LEDからIT/データ分析関連の部署に異動して1年。
色々と欠けた知識を補うための勉強が必要でした（これからも）。

何とか、上手いこと学習を進める手段がないかと思い、 「合格」という明確なゴールのある資格試験を通じて、 ゲーム感覚で自己学習を進めてきました*1。

これには一定の成果があったと思ってますが、
更なるモチベーションupのために、このAIスコアが活用できないかと考えました。
資格を取る度にスコアが変化していったら、RPGのようで面白そう。

ということで早速試してみました。

J.Score、試してみる

初期登録

スマホでアプリを入れ*2、アカウント登録。

AIスコア診断

チャット形式で最初の質問に答える。

誕生年月、性別、最終学歴、勤務形態、業種、職種、企業規模、入社年月、年収、結婚、家族構成、住居タイプ、他社借入

辺りを聞かれる。

一通り答え終わると得点が。

 うーん。高いのか低いのか分からない。中央値くらい？

スコアアップ

追加の質問に答えると得点が変化。 さっきより突っ込んだ内容が聞かれる。
具体的な大学名、持ってるゲーム機、果てはテレビのインチサイズなんかも。

ヤフーやみずほ銀行との連携で購買情報なんかも取得出来るようだが、元のサービスを使用していないので対象外。

 答えられる質問には、全て答えた！さあ、得点は？

うーん。高いのか低いのか分からない。
とりあえず、上のリンクの「スキルアップに努力を惜しまないエンジニアの鳥取さん（仮名）」よりは低い模様。

ハビットチェンジ

日々の習慣を元にスコアが診断されるようです。

運動

スマホの情報と紐付いて、歩数、歩いた距離が取得される。どの程度でスコアが変化するかよく分からない。

学習

ビジネス書の要約とコラムが読める。どの程度でスコアが変化するかよく分からない。日々の学習時間、とか任意の本の読了数とかだったらもっと良いな、と思った。

睡眠

起床、就寝時間を設定。よく分からんけど、只のアラームに見える。

お金

 購入したものを、支出か自己投資に振り分けて記録する。発想は面白いけど、既存の家計簿アプリ使ってる人は二度手間だとおもう。連携するといいのに。

で、学習意欲向上に使えるの？

結論としては、中々難しそうかなと。

当初の目的だった、資格試験ですが、 TOEIC点数と保有資格に関する質問があります。 しかし、保有資格は下記の難関資格から選択する形で、それ以外の資格は 反映することが出来ません。　

弁護士、公認会計士、税理士、弁理士、司法書士、社労士、医師、歯科医師、薬剤師、獣医師、 一級建築士、不動産鑑定士、第一級総合無線通信士、ITストラテジスト、システム監査技術者、 プロジェクトマネージャー、気象予報士、簿記1級

たとえば、先日合格したG検定なんかは登録できない。 こういう、合格率が高く、取っただけではそんなに満足感がないものにこそ、スコアupという別の達成感を持たせたかったのだけど。

まあでもこれは考えてみると当たり前で、そんな簡単な資格で点数上げてたら、スコアの全体整合が取れないんですよね。
簡単な資格で1点ずつ稼いで、満点になりました、みたいなことになりかねない*3。
単純にスコア付けるだけなら良いですが、リワードやキャッシングとも関わってくるので、 その辺は中々難しいんでしょう。

まとめ

当初想定していた使い方は中々難しそうです。 ただ、IPAの一部試験は登録出来るようなので、取ったら登録して、どんくらいスコアが上がるか、 試してみようかと思います。

それはそれとして

こういう信用スコアとかって
どんな形でスコア算出のモデルを構築するんでしょう？

・将来の可能性の定義は？
・変数の重み付けは？
・教師データがあるの？
・それとも恣意的に係数を決定してる？

実は単純にファイナンス的な要素だけが、 将来の可能性として置き換えられているのかも、と思ったり。
生涯の収入とか、借りた金ちゃんと返すか、みたいな。 そうすると、参考になるデータもあるし、問題設定が簡単になりそう。
今後は、J.Score利用者の回答と実際の購買履歴やキャッシングの使用実績が 溜まってくるので、それも使ってモデル再構築も随時行うのかもしれません。

あと疑問なのは、持ってるゲーム機とかテレビのインチサイズって、本当にスコア算出に必要？ってことですね。
PS4ユーザの方が、Switchユーザより将来性が高いとかある？(あるかもしれませんが。) 単純に購買力の判断材料なんでしょうか。

ただ、一つ思うのが、テレビメーカやゲーム機メーカは、どんな人が自社製品を買っている（あるいは買っていない）という情報に興味があるという点ですね。 そういった意味で、さり気にこんな質問を紛らせておいて、 関連する企業に情報を売り込むのでは、というのは流石に穿った見方でしょうか？*4

*1:IT資格試験の驚異的な多さと、データ分析業務の守備範囲の広さがこれを可能にしている。

*2:ブラウザ版もある模様。

*3:スライム狩りでレベル99的な

*4:規約を読んでないのでそれが可能かよく分かりませんが

G検定に受かったので勉強法などを紹介する

JDLA Deep Learning for GENERAL 2018#2に合格しました。

総受験者数　2,680名
合格者数　　1,740名

ということで半数以上が合格しているので、 特に自慢も出来ませんが...。

折角なので受験の様子や、合格のコツなど紹介します。

どんな試験?

• ディープラーニングの基礎知識を問う試験
• 選択式の問題が226問
• 試験時間120分
• 自宅受験
• 試験範囲、中々広い

試験前学習

仕事が立て込んでいて、思ったより出来なかった。 流石にマズイと思って、
当日午前（試験開始が13時）に公式テキストを一通り読んだ。

深層学習教科書 ディープラーニング G検定(ジェネラリスト) 公式テキスト

あと下の推薦図書2冊は結構前に通読していた。

ＡＩ白書　２０１７ (単行本)

人工知能は人間を超えるか ディープラーニングの先にあるもの (角川EPUB選書)

本番の様子

問題数が多く時間が足らないという声をよく見聞きしていたが、
IPAの午前問題と同じ要領で、
即答で答えを埋めていったら70分以上余った。

あとの時間でググりながら分からなかった問題を埋めたが、
それでも20分程度余った*1。

問題の内容

出題範囲の問題が万遍なく出た印象。

大別するとこんな感じ。

AI歴史・一般常識系

第1～3次AIブーム、フレーム問題、ELIZAとか。
推薦図書の「人口知能は人間を超えるか」や公式テキストの内容が
似た感じで出題されるので、比較的回答がしやすいパート。

機械学習(DL含む)の基礎知識系

教師あり/なし、強化学習の違いや、各手法、
正則化や適合率/再現率、
DLのフレームワーク、など。

たまに難しい問題があるが、基礎知識が多い。
ただ、曲がりなりにもデータ分析を1年経験した上での感触。
経験ゼロだと意外に鬼門かもしれない。

計算問題も数問あったが、馬鹿にされてるのかと思う位なレベル。

DLの最新情報系

GANとか最近の技術について問われる。
DLということで必然的に画像・音声・自然言語系になるが、
いずれもあまり実務で携わることが少ないので、中々に難しかった。

ググりまくったパート*2。

法律系

結構、公式テキストから出題された印象。

低コストで合格する方法を考えてみた

合格する事自体には、あまり意味がない資格かもしれない、

というのは一旦置いておいて、

出来るだけ低コストで合格する方法を考えてみます。

事前学習

最低限必要な本は公式テキストのみ。
これだけで結構な数の問題をカバー出来ます。

これを1,2回通読。大体の内容を覚えておけるとベスト。
そうでなくても、どこに何が書いてあるか大よそ掴んでおく。

本番

悩まず、即答していく。 このとき、
自信がない問題は「問題をチェックする」をクリックして目印を付けておく。

一通り、即答で回答が終了したら
残った時間で、
印が付いている問題をgoogle検索や書籍を使いながら潰していく。

これで合格間違いなし！*3

まとめ

自宅受験×選択問題、ということも相まって難易度は低い。
合格自体がステータスにはならない資格だと思います。

ただ、問題は中々良いと思いました。
試験を受けるでもなければ中々学ばない、歴史系や法律系もありますし、
機械学習の基礎的な出題もある。更に最新事例に関する出題もある。

試験前学習、あるいは試験中学習で得られるものは多いと感じました。

ディープラーニングを学ぶきっかけが欲しいという方は、
受験してみては如何でしょうか。受験料1万超えですが...。

*1:直前に珈琲を飲みすぎてお腹を壊し、試験中トイレに2回ほど駆け込むというロスタイムを計上しつつも

*2:これによって色々知識が深まった。合格より価値があるかもしれない

*3:2019年に難化したら知りませんが

G検定に申し込んだ

日本ディープラーニング協会主催のG検定に申し込みました。

どんな資格?

人材育成 | 一般社団法人 日本ディープラーニング協会 Japan Deep Learning Association

ディープラーニングに関する資格ですが、ゴリゴリ自分で実装するというよりは*1、 ディープラーニングを実際のビジネスに活用するための基礎知識を有しているか、問われる資格のようです。

会場での実施はなく、全て自宅でのオンライン受験。120分で226問という中々な問題量。

試験範囲

試験範囲は中々に広い。特にAI分野の歴史系は新規に知識補充しないといけなそう。

参考図書

推薦図書4冊

ＡＩ白書　２０１７ (単行本)

人工知能は人間を超えるか ディープラーニングの先にあるもの (角川EPUB選書)

深層学習 (機械学習プロフェッショナルシリーズ)

ディープラーニング活用の教科書

公式テキスト

深層学習教科書 ディープラーニング G検定(ジェネラリスト) 公式テキスト

今後の学習計画

といってももう日がないんですよね。
ディープラーニング活用の教科書以外の参考図書4冊は手元にあるんですが...。

すべて消化するのはムリそう。結局、公式テキストをサラッと読むだけになりそうな予感*2。

*1:これに関してはE検定というものが別途用意されている

*2:まあ選択問題だし何とかなるか、と思ったりもしている。

echo dotタダで貰った

お盆休みに、夏休みの工作的ノリで
アレクサスキルを作成・公開しました。

www.t88.work

レビューも全く付かなかったので、
誰にも使われてないんだろうなー、と
思っていました。

まあノベルティTシャツも貰ったし、
ひっそりとネットの奥底に埋没してくれ、という気分でいた訳です。

そんなこんなで、
すっかりスキルの存在を忘れかけていた頃、amazonさんからこんなメールが。

え、100人以上?
何かの間違い?
詐欺?
てか最初の1ヶ月って
どんだけ前の話よ?



イマイチ信じられないので、
alexa developerコンソールで使用実態を確認。

おおー、本当に100人以上に使われている。（ユニークカスタマー総数145人）

ちなみに推移はこんな感じ。

尻すぼみ感半端ない。

早速、クーポン使って2台目のecho dotをゲット。

今度は白色。
とりあえず寝室に置きます。

おわりに

棚ボタ的にecho dot2台目を貰う事が出来て満足。
今度こそ、このテーマはクローズ、
と思っていたらこんなものを見つけました。

スキルを開発して、特典をもらおう | Amazon Alexa | アレクサ

いやいや、スキル4つとか...。
絶対やりませんよ。

でも、タンブラーは欲しいかも。