投稿者: 編集者

SIMの無断使用を防ぐために設定する番号

１．役割

　Personal Identification Numberの略
　　　直訳すると「個人識別番号」の意

　PINコードを設定すると、
　　　SIMカード（またはeSIM）をセットした後やスマホを再起動した後に
　　　PINコードの入力が求められる
　　　正しいPINコードを入力するまでは、通信・通話は利用できない

　PINコードを設定することで、
　　　SIMが盗難・紛失に遭った際に第三者に無断使用されるリスクを軽減できる

２．2種類のPINコード

　PIN1コード・・・第三者による無断使用を防ぐために設定する番号
　PIN2コード・・・ユーザー証明書の利用・発行申請や、
　　　　　　　　　　　積算料金情報のリセットの際に利用する番号

３．初期設定

　意外とPINコードの初期値は各社とも後悔している
　　　必ず変更して使用開始する

４．ロック解除

　PINコードは3回間違えるとPINロックが掛かる
　　　それ以降はPINコードの番号入力はできない

　PINロックがかかった時は、
　　　「PINロック解除コード（PUKコード）」を入力して解除する

　　　PINロック解除コードはSIMカードの台紙にて確認できる
　　　　　裏面等に小さな字で掲載されている

　PINロック解除コードは１０回連続で間違えると、
　　　SIMカードは使えなくなり再発行に手数料が掛かる

５．忘れた場合

　自分で変更したPINコードを忘れてしまった時には
　　　PINコードを3回間違えてロックがかかった後に、
　　　PINロック解除コードで解除すれば、PINコードの再設定ができる
　　　　　ロック解除・再設定という操作で新たにPINコードが設定できる

１．テレビの内容

　NHK総合のドラマ10『宙わたる教室』
　　　2024年10月8日(火)夜10時からスタート

　ドラマの内容は、定時制高校の科学部が学会で発表することを目標に
　　　「火星のクレーターを再現する」という小説

２．ドラマの素材

　日本地球惑星科学連合2017年大会「高校生によるポスター発表」で
　　　『重力可変装置で火星表層の水の流れを解析する』が優秀賞を獲得する

　　　　　　　　　　　　　　　　　発表者

　2017年5月21日(日) 13:45 〜 15:15 ポスター会場 (国際展示場 7ホール)

[O05-P09] 重力可変装置で火星表層の水の流れを解析する

*神野 佑介¹、永田 英¹、新居 優太郎¹、*今林 潤¹、*鷲見 香莉奈¹、*若林 健流²、*岩築 美幸²、*松田 孟男²、柏木 ハツヱ²、佐古 佐世子²、鴈金 舞²、鄭 喆心²、廣岡 陽子²、森本 拓輝² (1.大阪府立春日丘高等学校　定時制の課程、2.大阪府立大手前高等学校　定時制の課程)

キーワード：重力可変装置、微小重力発生装置、火星の重力、火星の水、粘性

　アトウッドの滑車を利用して加速度をコントロールすれば，月や火星の重力もつくれると考え，重力可変装置を製作した．下降するおもりの側を実験カプセルとして内部の重力を計測した．0.5秒の短い時間ではあるが，火星，月，エンセラダスの表面重力を作ることができた．すでに実働している微小重力発生装置と連携すれば0Gから1Gの任意の重力を生み出すことができる．さらに，上昇するおもりの側を実験カプセルとすれば，約1.5Gまでの重力をつくりだせると考えられる．
　この装置で作った火星表面重力を用いて，火星での水の振る舞いを観察した．その結果，火星上の水は，地球上での挙動とかなり異なることがわかった．火星重力下での水は，粘性が大きくなったような動きを示した．映像から解析した火星の水の粘性は地球の水と比べて約2.4倍であった．
　簡単な原理で目的とする天体の重力を実現することができた．今後の太陽系探査で，さまざまな天体環境での予備実験に重要な役割を果たすと考えられる．

３．おまけ

　2011年、橘省吾さん（現・東京大学宇宙惑星科学機構教授）が注目し、
　　　JAXAを中心とした「はやぶさ2」サンプラーチームが
　　　同様の装置で小惑星表面試料採取に向けた基礎実験が行われた

　　　「はやぶさ2」の打ち上げは2014年12月なので
　　　　　当実験はかなり以前にスタートし、継続していたものと考える

　春日丘高校定時制・大手前高校定時制・今宮工科高校定時制の科学部の実績
　　　2012年高校生科学技術チャレンジ科学技術振興機構賞
　　　2013年日本地球惑星科学連合大会「高校生によるポスター発表」最優秀賞
　　　2014年日本物理学会Jr．セッション最優秀賞
　　　2017年日本地球惑星科学連合大会「高校生によるポスター発表」優秀賞
　　　2018年日本地球惑星科学連合大会「高校生によるポスター発表」最優秀賞
　　　2019年高校生科学技術チャレンジ科学技術政策担当大臣賞
　　　2020年高校生・高専生科学技術チャレンジ文部科学大臣賞
　　　2023年日本物理学会Jr．セッション最優秀賞

４．まとめ

１．古畑任三郎

２．ローカル路線バス乗り継ぎの旅

３．刑事コロンボ

４．話題の小説から

１．バックアップの種類

　フルバックアップ（full backup）
　　　一番簡単で、バックアップの基本
　　　　　ある時点でシステムで保持されているすべてのデータをバックアップ
　　　　　バックアップのファイルさえあれば、全て復旧することが可能

　　　リカバリーについて
　　　　　単純な方法でリカバリーできる
　　　　　コスト高になる
　　　　　　　バックアップに掛かる時間が長くなる
　　　　　　　　　読み取り専用ファイルは除外する

　　　　　リソースの大量消費
　　　　　　　対象のデータ規模が大きくなり、大量消費につながる

　　　　　サービス停止が必要
　　　　　　　データの整合性を保つためにサービス停止後に行う
　　　　　　　バックアップのタイミングが難しい

　差分バックアップ（differential backup）
　　　前回のフルバックアップからの変更分だけをバックアップする
　　　　　トランザクションログをバックアップすることで実現できる
　　　　　　　ログにはあらゆる変更操作の履歴が残っている
　　　　　大元のファイルに対する変更差分のみのバックアップなので
　　　　　　　リソースの消費量も少ない

　　　リカバリーについて
　　　　　大元のバックアップファイルを用意し
　　　　　障害発生前までのログを順次適用し
　　　　　障害発生前の状態にファイルを戻す

　増分バックアップ（incremental backup）
　　　前回の任意バックアップからの差分をバックアップする
　　　　　バックアップ対象となるデータは少ない

　　　リカバリーについて
　　　　　リカバリ時にすべてのバックアップファイルが必要
　　　　　リカバリー手順も複雑になり時間も掛かる

　統合フルバックアップ（synthetic full backup）
　　　フルバックアップと差分バックアップ（または増分バックアップ）を
　　　　　結合して、新たなフルバックアップを作る
　
　　　リカバリーについて
　　　　　定期的に別サーバー等で実行することを考える
　　　　　本来の処理に影響を与えずにすむ

２．リカバリーの種類

　チェックポイントリスタート
　　　作業の途中で現在の状態を保存しておき、
　　　　　障害発生時に保存点から再開できる仕組み
　　　保存点はアプリケーションの部分で事前に用意しておく
　　　　　業務全体を止めることなく、当該処理だけのリカバリ

　　　処理手順
　　　　　作業を中断してでも元の状態に戻すことができる
　　　　　　　局所的なリカバリー手段

　リブート（reboot）
　　　コンピュータの使用中に再起動する
　　　　　スマホ等の電子機器で不具合が生じた際に利用する
　　　　　「現状」から抜け出す際に使用する

　　　処理手順
　　　　　各種機器の操作説明書に記述あり
　　　　　　　リカバリー処理ではなく、緊急脱出処理と理解する

　ロールバック（rollback）
　　　トランザクションの処理中にデータベースの更新に失敗した場合
　　　　　処理を行う前のデータベースの状態に戻す
　　　「取り消す」といったイメージ
　　　　　やりかけのトランザクション処理を取り消す、意味合い

　　　処理手順
　　　　　障害発生前までに取得したジャーナルを使って
　　　　　　　更新前のデータベースの状態に戻す

　ロールフォワード（rollfoward）
　　　処理は全て終わったが、データベースが壊れてしまった場合に
　　　　　障害発生直前を再現する
　　　「やり直す」といったイメージ
　　　　　バックアップ以降にやっていたことを再現する、意味合い

　　　処理手順
　　　　　フルバックアップデータを使って先ず大元の状態に戻し
　　　　　バックアップ取得時以降のトランザクションを実行した際に作られた
　　　　　　　ジャーナルを使い順次反映させ更新処理を順序良く再現させる

「仕組み」について具体的な記述ができていないので、後日対応します

１．VAE（Variational Autoencoder）

　ディープラーニングを活用した画像生成モデル
　　　AIの学習用データから特徴を学び取り、
　　　その特徴をもとに「学習用データと似ている新しいコンテンツ」を
　　　生成する

　処理概要
　　　ユーザーが学習用のデータをAIに与える
　　　AIが与えられた学習用のデータから特徴を学ぶ
　　　AIが学習したデータの特徴から、全く新しいコンテンツを生成する
　　　生成したコンテンツをユーザーに提供する

　利用上の特徴
　　　特定の傾向を持つ複数の作品を学習し、その作風に近い作品を生み出す
　　　　　画家の作品を学ばせ、画家の特徴を持った新しい絵を生み出す

　　　複雑性の高い画像の特徴を捉え、構造が複雑な製品の異常検知

２．GAN（Generative Adversarial Networks）

　ディープラーニングを活用した画像生成モデル
　　　Generator（ランダムに作成されたデータ）
　　　Discriminator（学習用の正しいデータ）
　　　２つのネットワークを競わせながら学習し、精度の高い画像を生成する

　処理概要
　　　ランダムなノイズからGeneratorを生成する
　　　正しいデータである「Discriminator」を用意する
　　　GeneratorとDiscriminatorを比較して、Generatorが本物かどうか判定する
　　　1～3を繰り返し、Generatorの精度を高める
　　　十分に精度の高まった画像を出力する

　利用上の特徴
　　　解像度の低い画像から解像度の高い画像を生成する
　　　テキスト入力で全く新しい画像を生成する

３．拡散モデル

　学習用の画像にノイズを追加し、画像からノイズを除去し、元画像を復元する
　　　与えた画像にノイズを付加し、元の画像を復元することを繰り返す

　　　「Stable Diffusion」や「DALL-E2」などに採用されている

　処理概要
　　　　学習用の画像にノイズを付加する
　　　　ノイズが付加された学習用の画像から、ノイズを除去する
　　　　2を繰り返し、元の画像を復元する
　　　　1～3の仕組みを繰り返して、高精度な画像を生成する

　利用上の特徴
　　　GANよりもさらに高解像度な画像を生成する

４．GPT-3

　OpenAIが開発した言語モデル
　　　約45TBもの膨大なテキストデータを学習し、
　　　　　ある単語の次に記述される別の単語の候補を高精度で予測する

　処理概要
　　　ユーザーがテキストボックスに質問を記述し、入力・送信する
　　　AIは質問の内容を解析して、最適な回答を導き出す
　　　AIは回答を出力し、ユーザーに伝える

　利用上の特徴
　　　長文の要約やリサーチ時間の短縮化
　　　新たなアイデアの創出

実行例は「saka.mokumoku」の「Google Colabotry」環境に保存してある

「アップル」の株価を「回帰問題」を使って予測する
　　（その２）は行番号２０〜４３行までを解説する

#
#　　　１．データの読み込み
#
import pandas as pd
import numpy  as np
import matplotlib.pyplot as plt
import seaborn as sns
#
%matplotlib inline
#
#　　　２．株価データの取得
#
!pip install pandas_datareader
#
import pandas_datareader.data as dr
#
stock = dr.DataReader('AAPL',"stooq")
print(stock.head())
#
#　　　３.翌日の高値のフィールドを追加
#
stock['Next_High'] = stock['High'].shift(1)
print(stock.head())
#
print(stock.isnull().sum())
#
stock = stock.dropna()
print(stock.head())
print(stock.shape)
#
#　　　４.検証、目的変数と説明変数に分割する
#
data_columns = ['Open','High','Low','Close','Volume']
#
test_rows = 500
#
target = stock['Next_High']
data = stock[data_columns]
#
target_train = target[test_rows:]
target_test = target[:test_rows]
data_train = data[test_rows:]
data_test = data[:test_rows]
#
print(data.shape)
print(target.shape)
print(data_train.shape)
print(target_train.shape)
print(data_test.shape)
print(target_test.shape)
#
#　　　５.線形回帰を使って予測する
#
from sklearn.linear_model import LinearRegression
#
model = LinearRegression()
#
model.fit(data_train,target_train)
#
target_predict = model.predict(data_test)
#
result = pd.DataFrame(target_test)
#
result['predict'] = target_predict
#
sns.lineplot(data=result)
#
sns.lineplot(data=result[:30])

以下はサンプルコードと解説

３.翌日の高値のフィールドを追加

#
stock['Next_High'] = stock['High'].shift(1)
print(stock.head())

　翌日の高値のフィールド（列）を追加する
　　　前日に翌日の高値を予測したとするフィールドを用意する

　以下のように修正される
　　　翌日高値（Next_High）に翌日の高値（High）がセットされる

               Open     High       Low   Close      Volume  Next_High
Date                                                                 
2024-05-01  169.580  172.705  169.1100  169.30  50383147.0        NaN
2024-04-30  173.330  174.990  170.0000  170.33  65934776.0    172.705
2024-04-29  173.370  176.030  173.1000  173.50  68169419.0    174.990
2024-04-26  169.880  171.340  169.1800  169.30  44838354.0    176.030
2024-04-25  169.525  170.610  168.1511  169.89  50558329.0    171.340

#
print(stock.isnull().sum())

　欠損値を確認するために中身を出力する
　　　以下のように表示される

Open         0
High         0
Low          0
Close        0
Volume       0
Next_High    1
dtype: int64

　”符号あり64ビット整数型”のフィールドで”Next_High”に１個だけ欠損値がある

#
stock = stock.dropna()
print(stock.head())

　 欠損値のデータを削除し、整形する
　　　以下のように表示される、日付が１日ずれた形になる

               Open    High       Low   Close      Volume  Next_High
Date                                                                
2024-04-30  173.330  174.99  170.0000  170.33  65934776.0    172.705
2024-04-29  173.370  176.03  173.1000  173.50  68169419.0    174.990
2024-04-26  169.880  171.34  169.1800  169.30  44838354.0    176.030
2024-04-25  169.525  170.61  168.1511  169.89  50558329.0    171.340
2024-04-24  166.540  169.30  166.2100  169.02  48251835.0    170.610

#
print(stock.shape)

　全体の構造を確認する
　　　以下のように表示される、1256件で6列のデータ

(1256, 6)

４．検証、目的変数と説明変数に分割する

#
data_columns = ['Open','High','Low','Close','Volume']
#
test_rows = 500
#
target = stock['Next_High']
data = stock[data_columns]
#
target_train = target[test_rows:]
target_test = target[:test_rows]
data_train = data[test_rows:]
data_test = data[:test_rows]

　学習データと検証データとに分ける
　　　目的変数（target）・・・結果
　　　　　翌日高値のデータ1256件、１列
　　　説明変数（data）・・・原因
　　　　　前日までのデータ1256件、５列

　　　目的変数（target）
　　　　　target_train・・・501件目〜1256件目、１列
　　　　　target_test・・・先頭〜500件目、１列
　　　説明変数（data）
　　　　　data_train・・・501件目〜1256件目、５列
　　　　　data_test ・・・先頭〜500件目、５列

#
print(data.shape)
print(target.shape)
print(data_train.shape)
print(target_train.shape)
print(data_test.shape)
print(target_test.shape)

　分割後のデータ構成を確認する

(1256, 5)
(1256,)
(756, 5)
(756,)
(500, 5)
(500,)

５．線形回帰を使って予測する

#
from sklearn.linear_model import LinearRegression
#
model = LinearRegression()
#
model.fit(data_train,target_train)

　線形回帰を使って機械学習を行う
　　　ライブラリ「scikit-learn」を呼び出す
　　　機械学習を行う
　　　　　data_train（説明変数、学習用）と
　　　　　target_train（目的変数、学習用）を使う

#
target_predict = model.predict(data_test)

　学習したら検証データを使って株価を予測する

#
result = pd.DataFrame(target_test)
#
result['predict'] = target_predict

　検証データの目的変数でデータフレーム作成
　　　予測結果をとしてデータフレームに追加する

#
sns.lineplot(data=result)
#
sns.lineplot(data=result[:30])

　グラフで可視化する
　　　通常のグラフと拡大版（３０日分）を表示する

６．総括

　全体的にpredict（予測値）はNext-High（翌日高値）の後追いとなる
　　　前日の株価で翌日の株価を予測しているので、これで正解

　説明変数の選択の結果によって、目的変数は左右されるという
　　　当たり前の結果となる

実行例は「saka.mokumoku」の「Google Colabotry」環境に保存してある

「アップル」の株価を「回帰問題」を使って予測する
　　（その１）は行番号１〜１９までを解説する
　　株価の値は「date」当日のもので、いつも同じ値になるとは限らない

#
#　　　１．データの読み込み
#
import pandas as pd
import numpy  as np
import matplotlib.pyplot as plt
import seaborn as sns
#
%matplotlib inline
#
#　　　２．株価データの取得
#
!pip install pandas_datareader
#
import pandas_datareader.data as dr
#
stock = dr.DataReader('AAPL',"stooq")
print(stock.head())
#
#　　　３.翌日の高値のフィールドを追加
#
stock['Next_High'] = stock['High'].shift(1)
print(stock.head())
#
print(stock.isnull().sum())
#
stock = stock.dropna()
print(stock.head())
print(stock.shape)
#
#　　　４.検証、目的変数と説明変数に分割する
#
data_columns = ['Open','High','Low','Close','Volume']
#
test_rows = 500
#
target = stock['Next_High']
data = stock[data_columns]
#
target_train = target[test_rows:]
target_test = target[:test_rows]
data_train = data[test_rows:]
data_test = data[:test_rows]
#
print(data.shape)
print(target.shape)
print(data_train.shape)
print(target_train.shape)
print(data_test.shape)
print(target_test.shape)
#
#　　　５.線形回帰を使って予測する
#
from sklearn.linear_model import LinearRegression
#
model = LinearRegression()
#
model.fit(data_train,target_train)
#
target_predict = model.predict(data_test)
#
result = pd.DataFrame(target_test)
#
result['predict'] = target_predict
#
sns.lineplot(data=result)
#
sns.lineplot(data=result[:30])

以下はサンプルコードと解説

１.データの読み込み

#
import pandas as pd
import numpy  as np
import matplotlib.pyplot as plt
import seaborn as sns

　必要なライブラリを読込む
　　　ライブラリ内のモジュールを読み込むこともできる
　　　読み込んだら処理しやすいように「as」を使って名前を付与する
　　　同一名になる場合は互いに異なる名前を付与する

　　各ライブラリの説明　
　　　pandas・・・データの確認や抽出に適したライブラリ
　　　numpy・・・行列計算用ライブラリー
　　　matplotlib.pyplot・・・グラフ描画ライブラリーのpyplot部分
　　　seaborn・・・見た目の優れたグラフ描画ライブラリー

#
%matplotlib inline

　グラフ　表示の設定
　　　%はインタラクティブサポートを有効化するためのコマンド
　　　「inline」とはその場（環境や状態）で表示する意味
　　　　　（注）グラフが書けない実行環境だとこの行はエラーになる

２．株価データの取得

#
!pip install pandas_datareader
#
import pandas_datareader.data as dr

　pandas_datareader（Web上に公開されている株価データ）のインストール
　　　ライブラリーの読み込み
　　　　　（注）インストールできない環境だとこの行はエラーになる

#
stock = dr.DataReader('AAPL',"stooq")
print(stock.head())

　データ提供元「stooq」の中から「APPLE」の株価を取得し表示する
　　　項目の説明
　　　　　open・・・始値
　　　　　high・・・高値
　　　　　low・・・・安値
　　　　　close・・・終値
　　　　　volume・・取引量

　以下はprint出力例

               Open     High       Low   Close      Volume
Date                                                      
2024-05-01  169.580  172.705  169.1100  169.30  50383147.0
2024-04-30  173.330  174.990  170.0000  170.33  65934776.0
2024-04-29  173.370  176.030  173.1000  173.50  68169419.0
2024-04-26  169.880  171.340  169.1800  169.30  44838354.0
2024-04-25  169.525  170.610  168.1511  169.89  50558329.0

１．人間とテクノロジーに関する経験則

　自分が生まれたときに世の中に存在したものは普通で当たり前のものと感じる

　１５歳〜３５歳までに発明されたものは新しく刺激的で革命的に感じ、その分野で自分のキャリアを積むことができる

　３５歳以降に発明されたものは物事の自然の摂理に反したものと感じる

２．原文

　1. Anything that is in the world when you’re born is normal and ordinary and is just a natural part of the way the world works.

　2. Anything that’s invented between when you’re fifteen and thirty-five is new and exciting and revolutionary and you can probably get a career in it.

　3. Anything invented after you’re thirty-five is against the natural order of things.
Apply this list to movies, rock music, word processors and mobile phones to work out how old you are.

３．来歴

　ダグラス・アダムス（Douglas Adams）はイギリスの脚本家、SF作家
　　　1999年8月にイギリスのサンデー・タイムズ紙に掲載されたエッセイ

３月２７日（水）

　参加者（ブレイクアウトルーム）
　　Python部屋（１３名）
　　　小泉
　　　久保田？　医師会
　　　岩崎
　　　中村
　　　薗田
　　　宮島
　　　新井　ちあき
　　　林
　　　北口
　　　奥・・・初参加
　　　エイト
　　　四方・・・初参加、初心者

　今回の新情報
　　　中村さん・・・転移学習
　　　　　　　　　　　　作成済みのモデルを類似したケースで再利用する

　　　　　　　　　　Kaggle
　　　　　　　　　　　　The Home of Data Science & Machine Learning
　　　　　　　　　　　　　　Competition（コンペ）
　　　　　　　　　　　　　　　　課題を提示し、賞金と引き換えに
　　　　　　　　　　　　　　　　最も制度の高い分析モデルを買い取る
　　　　　　　　　　　　　　Kernels（カーネル）
　　　　　　　　　　　　　　　　構築したモデルやデータセット処理の
　　　　　　　　　　　　　　　　コードを公開する
　　　　　　　　　　　　　　Discussion（ディスカッション）
　　　　　　　　　　　　　　　　英語での会話

入手した情報

２月２８日（水）

　参加者（ブレイクアウトルーム）
　　Python部屋
　　　小泉
　　　薗田
　　　宮島
　　　岩崎
　　　大菊
　　　南田
　　　ちあき
　　　中村
　　　B-2・・・・・初めて
　　　よしもぐ
　　　エイト・・・初めて
　　　宇田

　　今回の新情報
　　　progate・・・無料プログラミング教室、無料で始めて有料へ
　　　　　①https://prog-8.com/

　　　Kaggle・・・機械学習のコミュニティーサイト（英語が主体）
　　　　　①https://www.kaggle.com/

　　　AI画像認識サービスおすすめ１２選比較
　　　　　①https://kigyolog.com/service.php?id=494

入手した情報

１月３１日（水）

　参加者（ブレイクアウトルーム）
　　Python部屋
　　　小泉
　　　薗田
　　　宮島
　　　中村・・・男性
　　　ちあき・・女性
　　　村山・・・男性
　　　大菊・・・＜本日だけ？＞
　　　白水・・・？
　　　南田・・・？
　　　清水・・・？

　　今回の新情報
　　　　小泉さんより
　　　　　　シニアプログラミング発表会
　　　　　　　　①https://forms.gle/ECSghzFs5uhAKcAq6

　　　　　　Python講座
　　　　　　　　①https://forms.gle/ZrkZzEBLLHiEi3vx8/

　　　　　　オンラインでスライドショー作成
　　　　　　　①https://www.google.com/intl/ja_jp/slides/about/

　　　　　　AIによるコーディング支援機能
　　　　　　　　①https://github.com/features/copilot

　　　　　　　　　　GitHub Copilot・・・有料
　　　　　　　　　　Microsoft Copilot・・・無料と有料
　　　　　　　　　　GitHub Copilot・・・有料

　　　　　　Visual Studio Codeに入れるべき拡張機能
　　　　　　　　Live Serverを使うと便利だと勧められる　　　　　　　　　　　　　　　　　　　　　　　　　　　　　①https://qiita.com/midiambear/items/f38686bd4d139e0cd46c

入手した情報

１２月２７日（水）

　参加者（ブレイクアウトルーム）
　　Python部屋
　　　小泉
　　　岩崎
　　　薗田
　　　宮島
　　　長尾
　　　村山

　　今回は
　　　　途中で退席する

１１月２２日（水）

　参加者（ブレイクアウトルーム）
　　Python部屋
　　　小泉
　　　薗田
　　　宮島
　　　水谷
　　　佐藤・・・初参加
　　　和歌山・・NIKKEI記者

　　今回の新情報
　　　　小泉さんより
　　　　　　シニアプログラミング発表会
　　　　　　　　①https://forms.gle/ECSghzFs5uhAKcAq6

　　　　　　Python講座
　　　　　　　　①https://forms.gle/ZrkZzEBLLHiEi3vx8/

　　　　　　オンラインでスライドショー作成
　　　　　　　　①https://www.google.com/intl/ja_jp/slides/about/

入手した情報

１０月１９日（木）

　参加者（ブレイクアウトルーム）
　　Python部屋
　　　小泉
　　　岩崎
　　　薗田
　　　宮島
　　　若山・・・NIKKEI新聞記者

　　今回の新情報
　　　　小泉さんより
　　　　　　SlackからDiscordに切り替える
　　　　　　　　投稿内容が３ヶ月しか保存されないので、切替えます
　　　　　　　　①https://discord.gg/SsANN3emdJ

　　　　岩崎さんより
　　　　　　Tkinterの説明・・・Windowsライクな画面作成

入手した情報

９月２７日（水）

　参加者（ブレイクアウトルーム）
　　Python部屋
　　　小泉
　　　薗田
　　　宮島

　　今回の新情報
　　　　小泉さんより
　　　　　　Zoomのバージョン等が合わないとサポートできない

入手した情報

８月３０日（水）

　参加者（ブレイクアウトルーム）
　　Python部屋
　　　小泉　　・・・　体調不良
　　　薗田
　　　宮島　　・・・　繋がらず、参加できず
　　　HIRO
　　　岩崎

　　今回の新情報
　　　　薗田さんより
　　　　　　Azure Machine Learning Studioについて
　　　　　　　　旧版は来年の８月で廃止、今のうちに新版に乗り換えるべき

　　　　岩崎さんより
　　　　　　Visual Studio Codeの便利な使い方
　　　　　　　　Python等のプログラムを時効できる

入手した情報

７月２９日（土）

　参加者（ブレイクアウトルーム）
　　Python部屋
　　　小泉　　・・・　Poe.com/chatgpt
　　　薗田
　　　宮島
　　　HIRO
　　　横山　　・・・　機械学習
　　　岩崎
　　　AKI　　 ・・・　lisp
　　　清水　　・・・　退出
　　　芳野　　・・・　Javascript
　　　小松　　・・・　Javascript

　　　Java Script部屋が開かれなかったので数名が臨時に参加された

　　今回の新情報
　　　　小泉さんより
　　　　　　「Poe – 高速AIチャット」の紹介

　　　　　　適格請求書の登録者番号検索
　　　　　　　　ChatｰGPTを使ってPythonのサンプルコーディングを取得
　　　　　　　　国税庁のサイトからCSVデータのダウンロード
　　　　　　　　サンプルコードを実際に動かしてみる

　　　　薗田さんより
　　　　　　マイクロソフトの機械学習サイトの紹介

入手した情報

６月２４日（土）

　参加者（ブレイクアウトルーム）
　　Python部屋
　　　　宮島さん
　　　　園田さん
　　　　岩崎さん
　　　　AKIさん・・・初参加
　　　　（？）・・・初参加

　　今回の新情報
　　　　小泉代表は欠席
　　　　　　進行には問題なし
　　　　　　　　但し新技術情報は得られなかった

　　　　関数についての説明を受ける

入手した情報

５月２７日（土）

　参加者（ブレイクアウトルーム）
　　Python部屋・・・小泉さん・・・共同ホスト、随時参加
　　　　宮島さん
　　　　園田さん
　　　　岩崎さん
　　　　新井さん
　　　　伊東（？）・・・初参加

　　今回の新情報
　　　　スマホ用にチャットボットを簡単に作成できるツールがあるらしい？
　　　　　　さらに大量のデータを読み込む方法もあるらしい？
　　　　　　これ以上の情報を得られず・・・次回回しにする

入手した情報

４月２１日（金）

　参加者（ブレイクアウトルーム）
　　Python部屋・・・小泉さん・・・共同ホスト、随時参加
　　　　宮島さん
　　　　園田さん
　　　　岩崎さん
　　　　林さん
　　　　山口・・・初参加
　　　　水谷
　　　　新井・・・初参加
　　　　津島・・・初参加
　　　　鹿角・・・初参加

　　今回の新情報
　　　　ChatGPT・・・ほぼこれに話題集中

入手した情報

１．地図

　京都　北西部

２．三千院

京都 大原 三千院 恋につかれた女がひとり	三千院：比叡山麓の小さな盆地に位置する 　奈良時代の創建 　最澄が東塔南谷に一堂を建立した 　 聚碧園：客殿の庭園で池泉観賞式庭園 　江戸初期に金森宗和が修築した 　苔むした緑と、丸く刈り込まれたサツキ 　東部は山畔を利用した上下二段式 　南部は円形とひょうたん形の池泉をむすんだ池庭 　 有清園：往生極楽院を眺める池泉回遊式庭園 　一面苔に覆われた庭には杉やヒノキが立ち並び、 　池には滝の水が流れ込む 　春は山桜と石楠花、夏の新緑、秋の紅葉、雪景色
結城に塩瀬の素描の帯が 池の水面にゆれていた	結城紬：茨城県結城市を中心の着物 　着物を着慣れた人ほどあこがれる着物 　軽くて柔らかい肌触り 　着れば着るほどに風合いが増す 塩瀬帯：新潟県の五泉地方が有名な産地 　手描き友禅の代表的な染め帯 　表面に横畝ﾖｺｳﾈが現れた生地 水面：弁天池（有清園南部）
京都 大原 三千院 恋につかれた女がひとり

３．高山寺

京都 栂野尾 高山寺 恋につかれた女がひとり	高山寺：京都市右京区栂尾ﾄｶﾞﾉｵ 　奈良時代の創建 　1206年（建永元年）明恵上人が 　　　後鳥羽上皇よりその寺域を賜り再興する 　 三尾ｻﾝﾋﾞ：京都で特に紅葉の美しい場所 　高雄ﾀｶｵ・・・・神護寺 　槇尾ﾏｷｵ・・・・西明寺 　栂尾ﾄｶﾞﾉｵ・・・高山寺
大島つむぎにつづれの帯が 影を落した石だたみ	大島紬：主に奄美大島での伝統工芸の織物 　手で紡いだ絹糸を泥染めし、 　手織りした平織の絹布 つづれの帯：袋名古屋帯に属する 　格調高い芸術品として名高く、 　文様次第で公式な着物に合わせて締める 石だたみ：表参道の石だたみ 　正方形で17枚連なる
京都 栂野尾 高山寺 恋につかれた女がひとり

４．大覚寺

京都 嵐山 大覚寺 恋につかれた女がひとり	大覚寺：天皇・皇統の方が門跡を務めた門跡寺院 　平安時代、嵯峨天皇の離宮として建立される 　菅原道真が寺院とするよう上申する 　空海を宗祖と仰ぐ真言宗大覚寺派の本山 　 お堂（周辺） 　 大沢池（周辺）
塩沢がすりに名古屋帯 耳をすませば滝の音	塩沢紬：新潟県南魚沼周辺で織られている絹織物 　越後上布の伝統技術を絣ｶｽﾘ糸作りに取り入れた 　蚊絣ｶｶﾞｽﾘ、十字絣ｼﾞｭｳｼﾞｶｽﾘ、亀甲かすりｷｯｺｳｶｽﾘ 　細かい絣模様が特色 名古屋帯：名古屋が発祥の地 　袋帯より長さが短く一重太鼓結びにする長さの帯 　軽く締めやすい 名古曽滝跡：百人一首に詠まれている名勝 　『滝の音は　絶えて久しくなりぬれど 　　名こそ流れて　なほ聞こえけれ』　藤原公任  　平安時代には既に滝の流れは途絶えていた 　　　滝の石組は古くから大沢池北辺に配置され、 　　　御所であった御世にも庭石とされていた
京都 嵐山 大覚寺 恋につかれた女がひとり

５．唄

　唄　デュークエイセス

３月０８日（金）

　参加者（敬称略）

大島
林
古川
鈴木（英男）・・・再登場
大原
大倉
中田
小松
エイト・・・初参加

入手した情報

　中田さん　　アバター作成　＋　簡単動画作成

　古川さん　　ボイスチェンジャー　＋　バーチャルオーディオ

２月０９日（金）

　参加者（敬称略）

大島
小松
能
大倉
中田
古川
南田・・・初参加（経験者）
大原
高見
林

入手した情報

　高見さん　書籍の紹介
　　　　　　　　10歳から始めるScratch図鑑
　　　　　　　　https://www.amazon.co.jp//dp/B08GBTHQYK/

　古川さん　Zoomの新情報（時間切れで説明なし）
　　　　　　　　ズームでボイスチェンジャーを使う
　　　　　　　　ズームでアバターがデザインできる
　　　　　　　　clusterに大阪府立バーチャル高校ができた

１月１２日（金）

　参加者（敬称略）

大島
大原
中田
大倉
小松
古川
能
高見
KENZO・・・途中退出

入手した情報

　大島さん　Vrewの紹介
　　　対話型の動画作成ソフト
　　　　　説明文や画像を選んで動画を自動で作成する
　　　　　無料版だと作成する量等に制約あり

１２月８日（金）

　参加者（敬称略）

大島
大原
中田
小松
古川
能

入手した情報

　日経に紹介記事（会員専用）
　　　https://www.nikkei.com/article/DGXZQOUD263I80W3A121C2000000/

１１月１０日（金）

　参加者（敬称略）

大嶋
小松
能
大原
古川
大倉
高見

入手した情報

　特になし

１０月１３日（金）

　参加者（敬称略）

大嶋
小松
能
大原
古川
大倉
鈴木

入手した情報

　大原さん（ＬＲＴについて）
　　　電車の動力は「屋根のパンタグラフ」からが正解、勘違いされていた

　能さん
　　　オリンピックの案内板に使われているピクトグラムを動かす
　　　①https://scratch.mit.edu/projects/814718228/

９月８日（月）

　参加者（敬称略）

大島
小松
能
大原
古川
大倉
高見
中田
鈴木

入手した情報

　古川さん（ツールの紹介）
　　　ブックマークレット・・・Java scriptをお気に入りから起動する方法
　　　ワードクラウド・・・・・テキストマイニング方法

８月７日（月）

　参加者（敬称略）

大島
小松
能
大原
古川
大倉
高見
中田
鈴木

入手した情報

　大原さん
　　　scratch・・・機能アップの内容
　　　　　　　　　　　文字が濃くなる

　古川さん
　　　ふきだしくん（ベータ版）・・・紹介される、https://477.jp/

７月１０日（月）

　参加者（敬称略）

大島
小松
能
大原
古川
大倉
高見
中田

入手した情報

　能さん
　　　scratch・・・機能アップの内容
　　　　　　　　　　　ブロック表示が明瞭になる

６月０９日（金）

　参加者（敬称略）

大島
小松 パラグアイ在住
能
大原
古川
大倉
園田
高見

入手した情報

　古川さん
　　　scratch・・・今年の夏に機能アップのお知らせ
　　　　　　　　　　　顔認証のブロックが新たに誕生する

　　　画像生成AI・・・ADOBE製
　　　　　　　　　　　　　https://firefly.adobe.com/
　　　　　　　　　　　　　プロンプトは英語のみ

　　　　　　　　　　　マイクロソフト
　　　　　　　　　　　　　https://www.bing.com/create

　　　能さん・・・scratchでマイクの音量を把握できる
　　　　　　　　　　　拍手の多さ、会話での声の大きさが測れる

５月１５日（月）

　参加者（敬称略）
　　　大島
　　　能
　　　大原
　　　高見・・・休み
　　　大倉
　　　中田
　　　古川
　　　山本（二）
　　　園田
　　　河野・・・・初参加
　　　山本（紘）・初参加

入手した情報

　古川さん
　　　Bingで画像生成ができる、との報告あり

　ＮＬＰ（Neuro Linguistic Programming）
　　　神経言語プログラミングの略称
　　　「脳と心の取扱説明書」とも呼ばれる最新の心理学

　初参加の方
　　　二人だけで会話が弾む・・・入り込めず、聞くだけ

４月１４日（金）

　参加者（敬称略）
　　　大島
　　　能
　　　大原
　　　高見
　　　大倉
　　　中田
　　　古川
　　　鈴木
　　　山本
　　　園田・・・初参加
　　　SAKKA・・初参加
　　　ゆの・・・初参加

入手した情報

　高見さん
　　　・ボーカロイド（VOCALOID）について
　　　　　メロディーと歌詞から歌声を作る（基本有料）
　　　　　①https://www.vocaloid.com/

　　　・シンセサイザーV（Synthesizer V）について
　　　　　メロディーと歌詞から歌声を作る（無料版あり）
　　　　　①https://www.ah-soft.com/synth-v/

　雑談
　　　・自費出版物について
　　　　　「Scratchうらわざ」の紹介・・・既に「kindle」で販売中
　　　　　５月１日から無料お試し期間あり

１．Web解析ツール

	Website Explorer 　ウェブサイトの情報を階層表示する 　　 サイト丸ごとダウンロードも可能	Windows専用のアプリ （使用経験あり）
	Evernote 　2012年に使用開始 　情報を持ち歩くのに重宝	2024年の6月30日にサービス終了

１．貞丈家訓

　江戸時代中期の故実家伊勢貞丈ｻﾀﾞﾀｹが遺す
　　　非と云は無理の事也、
　　　理と云は道理の事也、
　　　法と云は法式也、
　　　權（権）と云は權威也、
　　　天と云は天道也

　　　非は理に勝つ事ならず、
　　　理は法に勝つ事ならず、
　　　法は權に勝つ事ならず、
　　　權は天に勝つ事ならぬ也

　　　非とは道理の通らぬことを指し、
　　　理とは人々がおよそ是認する道義的規範を指し、
　　　法とは明文化された法令を指し、
　　　権とは権力者の威光を指し、
　　　天とは全てに超越する「抽象的な天」の意思を指す

　　　天道に従って行動すべきであるということ

　　　儒教の影響を強く受けたものであるとともに、
　　　　　権力者が法令を定め、その定めた法令は道理に優越する

２．中世日本の考え

　基本的に最重視されたのが「道理」であり、
　　　「法」は道理を体現したもの、道理=法と一体の者として認識され
　　　　　権力者は当然、道理=法に拘束されるべき対象であり、
　　　　　道理=法は権力者が任意に制定しうるものではなかった

　「権」は「道理と法令」に従うべきであって
　　　自らが任意に「道理と法令」を制定できるものではない

　中世日本の考えと「非理法権天」とは全く逆であった

３．楠正成との関係

　室町期に正成の活躍を描いた『太平記』や『梅松論』には、
　　　正成が「非理法権天」を使ったという記述はない

　元禄期（１７００年前後）井原西鶴が記した「本朝町人鑑」に
　　　楠木正成が「非理法権天」の菊水旗を掲げたとする記述がある

　　　瀧川政次郎等の考証により江戸時代に作られた伝承であると証明される

　　　だが非理法権天の由来が正成に仮託されたことで
　　　　　尊皇思想に結びつけられ、
　　　　　　　非は理に劣位し、
　　　　　　　理は法に劣位し、
　　　　　　　法は権に劣位し、
　　　　　　　権は天に劣位する　と解釈が変わっていった

　幕末期、明治期、昭和期に尊皇思想へと強引に結びつけられ
　　　「天」は天子、天皇であり、全てに超越するという思想が生まれる

　　　全く、本来の「非理法権天」の意味とは違った使われ方になる

１．河内名所図会

　第５回　１月２７日（土）

Youtube　シニアプログラミング発表会 #５

発表者

　※聞いてて疲れたモノもある