サクサク読めて、
アプリ限定の機能も多数！
アプリで開く
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? はじめにフロントエンドエンジニアのみなさん、 要素を非活性にする際、disabled=trueを使っていませんか？ アクセシビリティ的にそのやり方は良くないです。 最近、アクセシビリティに配慮したアプリケーションの開発に携わっています。 その中でシニアエンジニアから頂いたフィードバックについて共有したいと思います。 結論 disabled=true ではなく aria-disabled=true を使う disabledの場合 disabledが付与されている要素はフォーカスができません。 そのため、キーボードを用いて操作しているユー
TailwindCSS はすべてをユティリティクラスで書くという特性上、HTML にはクラスがたくさん書かれることになります。1 つの要素に対してクラスがたくさん並んでいると、視覚的にどのようなスタイルが適用されているのかを把握するのが難しくなります。条件によってクラス名を付け替える処理を行っていると更に複雑になります。 <button className={` ${variant === "primary" && "border border-blue-500 bg-blue-500text-white"} ${ variant === "secondary" && "border border-gray-500 bg-gray-500text-white" } ${variant === "default" && "border border-gray-500 bg-white
newmoではGitHub Actionsを自動テスト、Lint、デプロイなどに利用しています。 また、newmoではmonorepoで開発しているため、1つのリポジトリに複数のチーム/複数のアプリケーションが存在しています。GitHub Actionsではpathsを使うことで、特定のファイルが変更された場合のみ特定のWorkflowが実行できます。 newmoのmonorepoのworkflowでは基本的にpathsが指定されていますが、それでも普段は触らないファイルを変更して意図せずにCIが落ちることがあります。GitHub ActionsのCIが落ちたときに、そのCIの仕組みを作った人やチーム以外だと何をすべきかわからないことがあります。 この問題の解決するを手助けするシンプルな仕組みとして、GitHub ActionsにCIが落ちたときに何をするべきかを表示するPlayboo
OpenSearch における 10 億規模のユースケースに適した k-NN アルゴリズムの選定 | Amazon Web ServicesAmazon Web Services ブログ OpenSearch における 10 億規模のユースケースに適した k-NN アルゴリズムの選定 この記事は、Choose the k-NN algorithm for your billion-scale use case with OpenSearch を翻訳したものです。 自然言語処理 (NLP) システムや、レコメンドエンジン、または検索システムなどの機械学習 (ML) アプリケーションを構築しようとすると、ワークフローのどこかで k 最近傍 (k-NN) 検索アルゴリズムを使用することがよくあります。データポイントの数が数億や数十億に達すると、k-NN 検索システムのスケーリングが大きな課題となります。近似最近傍 (ANN) 検索アルゴリズムは、この課題を解決するための優れた方法の 1 つです。 k-NN は、他の ML の技術と比
Hierarchical Navigable Small World (HNSW) graphs are among thetop-performing indexes for vectorsimilarity search[1]. HNSW is a hugely populartechnology that time and time again produces state-of-the-art performance with super fast search speeds and fantastic recall. Yet despite being a popular and robust algorithm for approximate nearest neighbors (ANN) searches, understanding howit works is f
［評価指標］F値（F-measure、F-score）／F1スコア（F1-score）とは？：AI・機械学習の用語辞典 用語「F値」、別名：「F1スコア」について説明。二値分類タスク（問題）に対する評価指標の一つで、適合率と再現率のトレードオフ関係に着目し、2つの値を調和平均「2×（適合率×再現率）÷（適合率＋再現率）」した値を指す。 連載目次 用語解説 統計学／機械学習におけるF値（F-measure）もしくはFスコア（F-score）とは、（基本的に）二値分類のタスク（問題）に対する評価指標の一つで、適合率（Precision）と再現率（Recall）のトレードオフ関係に着目し、2つの値を調和平均（詳細後述）した値のことである（図1）。0.0（＝0％）～1.0（＝100％）の範囲の値になり、1.0に近づくほどより良い。1.0に近いことは、適合率と再現率の両方が同時にできるだけ高いことを
これは以下のように見ると覚えやすいかもしれません． “偽”というのは”偽りの”という意味なので，「偽りの陰性」は本当は「陽性」なのがわかると思います．”偽”を”NOT”と見立てて，そのあとの文字を反転させると思えば，パッと頭の中で本当のラベルがどっちなのかイメージできます．逆に”真”は反転させず，そのまま捉えればいいでしょう．英語での読み方もよく使われるので，必ずそちらでも覚えておきましょう．また，略称であるTP, TN, FP, FNも本当によく使います． データサイエンティスト同士の会話では「False Positiveが多いので，False Positiveを減らすために〜」のように，毎日のように出てくる単語です． いちいち頭の中で「False Positiveは，偽陽性で，本当は陰性だけど，間違えて陽性って予測したデータだな」とか考えてると会話についていけないので，パッと頭の中で
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
