投稿者: 編集者

似たような言葉の出所を探る

１．瓦礫沈淪

　「ガレキチンリン」と読む、「瓦や小石の如く沈んでいた境遇」
　　　瓦・・・かわら、かわらけ
　　　礫・・・砂よりも大きい岩石片
　　　沈・・・しずむ、しずめる
　　　淪・・・しずむ、おちぶれる

　１５８１年（天正９）６月２日
　　　明智光秀が定めたとされる１８条からなる「家中軍法」
　　　　　現物は、御霊神社が所蔵している

　　　戦場での規律や軍役の基準などが書かれている
　　　　　石高に応じて馬や鉄砲、槍などの供出する数を定めており、
　　　　　光秀が領地で検地を行っていたことがうかがえる

　　　その中に自分を取り立ててくれた
　　　　　織田信長に対する感謝の気持ちが書かれている

　　　作成されたのは、本能寺の変が起きるちょうど１年前

　現代語訳（文書の最後の部分）
右のとおり軍法を定め置くうえは、実戦経験者はなお精進を怠らず、未熟の者はよく理解せよ。私は瓦礫沈淪のような低い身分から、信長さまに取り立てられて、このような莫大な軍勢を任されるまでになった。

軍律もよくわきまえず、武勇も功績もあげない者は、国家（織田家）の穀つぶしで、公のものを掠〈かす〉め取るにも等しい。日々精進している者からは軽蔑・嘲笑の対象にもされるであろう。奮起して抜群の功績をあげたならば、必ず信長さまに報告し、重く取り立てるであろうから、この家中軍法をよく守ってほしい。 天正九年六月二日 日向守光秀

２．牆壁瓦礫

　「ショウヘキガリャク」と読む、「すべての物事」
　　　牆・・・土の塀
　　　壁・・・かべ
　　　瓦・・・かわら
　　　礫・・・こいし

　１２３１年～１２５３年、道元が著した正法眼蔵（８７巻＝７５巻＋１２巻）
　　　７５巻のうち９巻目「古仏心」より抜粋

　　　国師因僧問、如何是古仏心
　　　師云、牆壁瓦礫。

　　　ある僧が、ある時、南陽慧忠に、
　　　「いかならんか、これ古仏心？」と質問した。
　　　南陽慧忠は、「牆壁瓦礫」と応えた。

　　　南陽慧忠国師（震旦国第六祖大鑑慧能の弟子）は中国皇帝の師匠
　　　　　「古仏心」は、「古仏」をあらしめるものではあるが、
　　　　　それは古仏だけが、その内部に固有に保有する特別な存在ではなく、
　　　　　「牆壁瓦礫」に代表される周辺世界全体の構造を包括的に示すもの
　　　　　「古仏」は一事象に集約して示し、伝授せしめる存在

　　　　　　　内外の逆転現象が存在していると解釈するもの

　　　道元禅師の拈提は、
　　　　　「無情」を含めたすべての存在が、そのままに古仏心であるとする
　　　　　
　　　　　　　万法を悟りとして見たもの

３．まとめ

　似てはいるが、年代に開きがあり過ぎて両者に繋がりがあるとは思えない

「Tech Support」の日本版、初会放送から

Universal Serial Bus　の頭字語

１．バージョン

２．コネクター

規格	仕様	写真
USB Type-A（2.0）	パソコン側のUSBポートによく見られる最も標準的な形状、主にキーボードやマウス、プリンター、外部ハードドライブなどの接続に使われている スマートフォンなどを充電する際に使用するAC充電器のポートにもあり、一般的ではありますが、最近ではUSB Type-CのものやUSB Type-CとType-Aのどちらも使用できるものが増えている
USB Type-A（3.0）	形状はUSB Type-A（2.0）と同じ、USB Type-A（2.0）の約10倍もの速さで転送することが可能 2.0と3.0の違いは、端子内部の色（青色）を確認することで見分けることができる USB Type-Aコネクターの内部には上下があり、接続する際は端子の向きに注意が必要 コネクター中央に凸凹の縦線が入っている方（プラスチック部品のある方）が下です
USB Type-B（2.0）	正方形の2つの角が削られたような形状のコネクター、主にパソコンと接続するプリンターやスキャナー、HDD等のパソコン周辺機器に使われている
USB Type-B（3.0）	USB Type-B（2.0）端子の上部に端子が追加されたような形状のコネクター、転送速度を重視するパソコン周辺機器に使われている
Mini USB Type-B	正面から見ると少しくびれて見える形状のコネクターで、一部の古いデジタルカメラやドライブレコーダーなどに使われている Micro USBが普及してからはあまり使用されなくなる
Micro USB Type-B（2.0）	Mini USBのサイズを小さくしたような形状、薄く抜けにくい 最近ではUSB Type-Cが使われるようになっている 一方でハンディファンやモバイルバッテリーなどの一部では未だに使われている製品もある
Micro USB Type-B（3.0）	Micro USB Type-B（2.0）コネクターを横に延長したような形状、中央部分に窪みがあるのが特徴 ポータブルHDDや外付けDVDドライブなどの接続に使われている
USB Type-C	コネクター形状に表裏がなく、どちらの向きでも接続可能な小型のコネクター Androidスマートフォンやタブレット、iPad、MacBook、パソコン等の充電、データ転送などに使われる 高速充電することができる「USB PD」に対応した機器が増えている

　第３回　７月２1日（木）

Youtube　シニアプログラミング発表会 #3

発表者

１．応用技術

２．勉強会

	シニアプログラミングもくもく会（Ｇｉｔ）	フランドンさんのメモ
	サル先生のGit入門
	Markdown記法	チートシート
	ナップサック問題の解法 for Python
	サルでもわかる人工知能 Vol.2	ナップサック問題の解法

　第２回　４月２1日（木）

Youtube　シニアプログラミング発表会 #２

発表者

３月２４日（木）

参加者（ブレイクアウトルーム）
　　ＧＩＴ部屋・・・参加者多数（約２０名）

入手した情報

２月１９日（土）

参加者（ブレイクアウトルーム）
　　ＧＩＴ部屋・・・参加者多数（１８名）

入手した情報

１月２９日（土）

参加者（ブレイクアウトルーム）
　　小泉さん・・・共同ホスト、随時参加
　　岩崎さん・・・リーダー役
　　宮島さん・・・コーディング練習
　　園田さん・・・コーディング練習
　　バーバさん・・コーディング練習
　　ＳＳさん・・・コーディング練習
　　三好さｎ・・・コーディング練習
　　大西さん・・・コーディング練習

入手した情報

　特になし

１２月２７日（月）

参加者（ブレイクアウトルーム）
　　小泉さん・・・共同ホスト、随時参加
　　岩崎さん・・・リーダー役
　　宮島さん・・・コーディング練習
　　園田さん・・・コーディング練習
　　バーバさん・・コーディング練習
　　ＳＳさん・・・ コーディング練習

入手した情報

　CodePen・・・HTMLやJavaScriptの開発環境の提供
　slack・・・団体（組織）でのコミュニケーションツール

１１月２５日（金）

参加者（ブレイクアウトルーム）
　　小泉さん・・・共同ホスト、随時参加
　　岩崎さん・・・リーダー役
　　宮島さん・・・コーディング練習
　　園田さん・・・コーディング練習
　　ＳＳさん・・・不明 （アメリカからの参加）

入手した情報

練習問題５５本ノック

　sakamoto001のreplに５本ごとに１１個セットする
　　共有replではなく独自replで練習するため
　　　　今まで練習問題が有るとは知らなかった

　次回までに復習と予習の実行を約束する

１０月２８日（金）

参加者（ブレイクアウトルーム）
　　小泉さん・・・共同ホスト、随時参加
　　？？さん・・・リーダー役
　　宮島さん・・・コーディング練習
　　園田さん・・・ コーディング練習
　　ＳＳさん・・・不明

入手した情報

コーディング練習内容

　先ずはreplitへの「sign up」から始まる
　　パスワードに特殊文字が必要だと理解するのに手こずる
　　　　英語のメッセージが小さく読みにくくて理解に手間どる

　アカウント取得したら
　　　リーダーの開設してあるURLを入手すれば簡単に使用できた

９月２４日（金）

参加者（ブレイクアウトルーム）
　　小泉さん・・・共同ホスト、随時参加
　　岩崎さん・・・リーダー
　　宮島さん・・・ドイツ語、女性
　　園田さん・・・発表者（Pythonによる助成金計算）、税理士、女性
　　山本さん・・・途中参加

入手した情報

８月２６日（木）

参加者（ブレイクアウトルーム）
　　遅刻し最初から参加できず・・・適当に時間を潰す

入手した情報

　特になし

７月２２日（木）

参加者（ブレイクアウトルーム）
　　　小山・・・当方のアプリを評価して頂く

入手した情報

　　Glide・・・作品事例の紹介

６月２４日（木）

参加者（ブレイクアウトルーム）
　　　小山・・・川柳ＨＰの更新
　　　不明・・・ＡＷＳ、Ｌｉｎｕｘ等、奈良、男性

入手した情報

　　swift・・・作品事例の紹介

５月２７日（木）

　参加者（ブレイクアウトルーム）
　　　小山・・・Ruby関係者、６５歳、女性
　　　　　Herokuを使ってサイト開設
　　　井城・・・Paython関係者、６８才

入手した情報

　　Heroku・・・開発環境の提供（SFが提供）
　　VSコード・・・コードエディター（MS提供）
　　ブレイクアウトルーム・・・Zoomで会議室を細分化する
　　Progate・・・学習支援サイト（無料・有料）
　　ちまたの会計・・・クラウド型会計処理

３月１１日（金）

　参加者（敬称略）・・・　申し込みを失念し参加できず
　　　大嶋(ホスト)
　　　能
　　　古川
　　　鈴木
　　　浅野
　　　中田
　　　大倉
　　　高見
　　　水谷
　　　遠藤・・・初参加

入手した情報

　グラレコ・・・Graphic　Recording

２月１８日（金）

　参加者（敬称略）
　　　大嶋(ホスト)
　　　大原
　　　能
　　　高見
　　　山本
　　　水谷
　　　浅野
　　　大倉
　　　鈴木
　　　古川
　　　中田
　　　鳥居塚

入手した情報

１月２１日（金）

　参加者（敬称略）
　　　大嶋・・・司会
　　　能　・・・Scratch
　　　古川・・・Scratch
　　　高見・・・scratch
　　　山本・・・Scratch
　　　中田・・・Swift
　　　大倉・・・Scratch
　　　浅野・・・？
　　　鈴木・・・Swift
　　　不明

入手した情報

１２月１７日（金）

　参加者（敬称略）
　　　大嶋・・・司会
　　　能　・・・Scratch
　　　古川・・・Scratch
　　　高見・・・scratch
　　　山本・・・Scratch
　　　中田・・・Swift
　　　小泉・・・特別参加
　　　大倉・・・Scratch
　　　浅野・・・
　　　金井・・・復活、男性、androido
　　　大原・・・新規、女性、scratch
　　　佐藤・・・新規、女性、python

入手した情報

１１月１９日（金）

　参加者（敬称略）
　　　大嶋・・・司会
　　　能　・・・Scratch、その他
　　　古川・・・Scratch、その他
　　　山本・・・Scratch
　　　中田・・・Swift
　　　小泉・・・特別参加
　　　大倉・・・Scratch
　　　浅野・・・

入手した情報

１０月１５日（金）

　参加者
　　　大嶋・・・司会
　　　能　・・・Scratch利用者、Zoomの使い方、キャプチャー方法
　　　古川・・・Scratch利用者、SpreadSheetの使い方練習
　　　高見・・・Scratch発表、ラジオ体操
　　　山本・・・Scratch発表、動画をコマ撮りしてscratchで動かす
　　　大倉・・・Scratch利用者、未完成のため次回発表
　　　浅野・・・名古屋？
　　　福井・・・
　　　エイト・・

入手した情報

Gather　Town・・・アニメ風の画面での会話型ミーティング機能
Zoom・・・定期ミーティング、チャットの保存について
Health　Amulet・・・ワクチン接種履歴を管理するスマホアプリ
すこやかんぽ・・・歩数に合わせた特典を付与するスマホアプリ
Town　WiFi ・・・WiFiへ自動接続するスマホアプリ
　　※スマホアプリは個人情報の一部を登録しないと使えない
Pythonプログラム・・・画像切り取りソース

動画切取り

議事録		①https://docs.google.com/document/d/1vl-pDzGBEutvCZcT2TK2PE3sD-SMCxhHwo-x0tKMBqU/edit?usp=sharing
SCRATCH作品紹介 （ビデオレター作成）	山本さん	①動画を切り取り、繋ぎ合わせてビデオレター作成 　Pythonで動画を切り取る 　切り取った動画をScratchで連続表示する ②Pythonプログラム 　「動画切り取り」のソース 　 　　　画像切取り
SCRATCH作品紹介 （ラジオ体操第二）	高見さん	①https://scratch.mit.edu/projects/582654774/fullscreen/ 　人物が２人、蜘蛛が１匹追加される 　　多数の画像（コスチューム）を用意した 　　人物等を増やしたら動作が遅くなり、 　　　さらに両者の動きにずれが発生する
複数での更新をテストする （Spreadsheet）	古川さん	①https://docs.google.com/spreadsheets/d/1DyjhRB2GyOQc4Mj7h8fTFf-7lhqa_tlkjDbSVT9eZHU/edit#gid=347217386 　　自己紹介を各自行う
小ネタ紹介	能さん	①ZOOM 　定期ミーティングを設定するとURLが固定化される 　　アプリからは設定出来ず 　　ＰＣからZOOMにログインして設定する 　チャットの保存 　　事前にホストが許可設定すると可能 ②画面のキャプチャー方法 　タイマーを使ってキャプチャーする
Zoom使い方 （scratch）	能さん	①https://scratch.mit.edu/projects/419852488/fullscreen/ 　音声ガイド付きZoomの使い方 　　※これは有効活用すべき
スマホアプリの紹介 （Health Amulet）	大倉さん	①https://www.health-amulet.net/ 　ワクチン等の接種記録が登録できる
スマホアプリの紹介 （すこやかんぽ ） （TownWiFi）	能さん	①https://www.jp-life.japanpost.jp/health/exercise/health-app/kna_index.html 　歩いた歩数で割引特典付与 ②https://townwifi.jp/ 　事前登録WiFiに自動接続する
オンライン会議のＲＰＧ化 （GatherTown）	古川さん	①https://www.gather.town/ 　GatherTownの紹介 ②https://zenn.dev/eriasa/articles/try-gather-town 　使用事例の紹介 ③https://www.youtube.com/watch?v=8orexZsFRxs 　動画で使用例

９月１７日（金）

　参加者
　　　大島・・・司会
　　　能　・・・Scratch利用者、保持回路の発表
　　　鈴木・・・Swift利用者、あいうべ体操の発表
　　　古川・・・Scratch利用者、jamboardの紹介
　　　高見・・・Scratch利用者、ラジオ体操の発表
　　　胡中・・・Scratch利用者、鬼滅の刃双六の発表
　　　中田・・・
　　　山本・・・Scratch発表、迷路作図の発表
　　　福井・・・
　　　大倉・・・

入手した情報

jamborad・・・アプリ版の機能説明
18日のURL・・・https://www.youtube.com/watch?v=iR6xRGhVRjg

８月２０日（金）

　参加者
　　　大島・・・司会
　　　能　・・・Scratch利用者
　　　鈴木・・・Swift利用者
　　　古川・・・Scratch利用者
　　　高見・・・Scratch発表、女性、楽譜並び替え発表
　　　大和田・・Scratch利用者、女性
　　　水谷・・・初参加、男性
　　　山本・・・Scratch発表、お絵かき発表
　　　福井・・・
　　　大倉・・・

入手した情報

　　Jamboard・・自由に白板へ書き込み（全員で使用体験）
　　Scrtch・・・プレゼン資料（多言語対応）
　　Flipgrid・・・教育向け、無料の動画共有サービス

７月１６日（金）

　参加者
　　　大島・・・司会
　　　のう・・・Scratch利用者
　　　鈴木・・・Swift利用者
　　　古河・・・Scratch利用者
　　　高見・・・Scratch発表、女性
　　　大和田・・初参加、scratch希望、女性
　　　不明・・・島田？、scratch発表、男性
　　　不明・・・？？

入手した情報

　　Synthesizer V・・・作品事例の紹介
　　背景削除・・・無料変換サイト

６月１８日（金）

　参加者
　　　大島・・・司会
　　　のう・・・Scratch利用者
　　　鈴木・・・Swift利用者
　　　古川・・・Scratch利用者
　　　小泉・・・新規参加者、男性
　　　高見・・・復活登場、Scratch利用者、女性
　　　俊彦・・・復活登場、Paython希望者、男性
　　　不明・・・福島さん？

入手した情報

　　scratch・・・作品事例の紹介
　　kotlin・・・Android用の開発ソフト
　　Vrew・・・使い方紹介（Youtube）

５月２１日（金）

　参加者
　　　大島・・・司会、Paython関係者？
　　　のう・・・Scratch関係者、鎌倉在住？
　　　福島・・・プログラミング教室（Web上）、女性
　　　鈴木・・・Swift関係者、８６才、商社マンからI-Phoneアプリ開発
　　　古川・・・Scratch関係者、リスト処理の発表

入手した情報

　　Swift・・・ｉ-phone専用の開発ソフト
　　Vrew・・・動画編集＋文字起こし
　　待機室・・・Zoomで会議開催前に待機する場所

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

１．事前準備

　matplotlibを使って可視化する
　　　「Work Shop」の「３大ライブラリー」のMatplotlibを参照
　
　スライスを使ってデータを特定する
　　　リストや文字列、タプル等のシーケンス型の一部を
　　　インデックスを指定して取り出す

　　　複数の数値をコロン(:)で区切って［　］で囲う
　　　　　a[start : stop : step]
　　　　　　　step：何個ごとに抽出するか（デフォルト＝1）
　　　　　　　start：切り取りたい部分の開始（一番左）のインデックス
　　　　　　　stop：切り取りたい部分の終わり（一番右）のインデックス

２．散布図の作成

　x軸にはがく片の長さ、y軸にはがく片の幅をセット、散布図を描く
　　　がく片の長さとがく片の幅だけで、特徴が現れる

　　　３つのブロックが50㎝、100㎝で区切られる理由が分からない

import matplotlib.pyplot as plt

x = iris.data
y = iris.target

plt.scatter(x[:50, 0], x[:50, 1], color='r', marker='o', label='setosa')
plt.scatter(x[50:100, 0], x[50:100, 1], color='g', marker='+', label='versicolor')
plt.scatter(x[100:, 0], x[100:, 1], color='b', marker='x', label='virginica')
plt.title("Iris Plants Database")
plt.xlabel("sepal length(cm)")
plt.ylabel("sepal width(cm)")
plt.legend()
plt.show

　scatter命令について
　　　scatterの第1引数がX軸、第2引数がY軸
　　　引数で線の色(color='')やマーカーの種類(marker='')、インデックス(index='')なども指定できる

３．機械学習

　TensorFlowとKerasをロードする

　乱数のシード値を固定して並べ替える
　　　引数は実数であれば良い、1に設定する
　　　TensorFlowの重みの設定が固定される

　idxr = [k for k in range(Ndata)]はリスト内包表記という
　　　既存のリストから新しいリストを作ること
　　　分かりやすく分解すると下記のようになる
　　　　　idxr = []
　　　　　for k in Ndate
　　　　　　　idxr.append(k)

　print文でリスト内に0から149までの数値が格納されていることを確認する

　random.shuffle(idxr)よって先ほどのリストの中身をシャッフルし、
　　　print(idxr)で中身がランダムに再配置されたか確認する

#
#TensorFlowとKerasをロードする
#
import tensorflow as tf
from tensorflow import keras
print(tf.__version__)
#
#シード値を設定する
#
tf.random.set_seed(1)
#
#データをランダムに並べ替える
#
import random

random.seed(12345)
Ndata = len(iris.data)
print(f"Ndata={Ndata}")
idxr = [k for k in range(Ndata)]
print(idxr)
random.shuffle(idxr)
print(idxr)

　データを分割する
　　　訓練データと検証データを半分、半分に分割する

　print(f"# of training data = {Ndata_train}")と
　print(f"# of validation data = {Ndata-Ndata_train}")で
　　　それぞれ訓練データと検証データの数を出力する

　train_data = iris.data[idxr[:Ndata_train]]の行では訓練データを、
　train_labels = iris.target[idxr[:Ndata_train]]の行では訓練データの教師ラベルを
　　　スライスを使って、idxrの0~74番目を各iris.dataとiris.targetに対応させ
　　　train_dataとtrain_labelsに代入する

　val_data = iris.data[idxr[Ndata_train:]]の行では検証データを、
　val_labels = iris.target[idxr[Ndata_train:]]の行では検証データの教師ラベルを
　　　スライスを使って、idxrの75~149番目を各iris.dataとiris.targetに対応させ
　　　val_dataとval_labelsに代入する

Ndata_train=int(Ndata*0.5)
print(f"# of training data = {Ndata_train}")
print(f"# of validation data = {Ndata-Ndata_train}")

train_data = iris.data[idxr[:Ndata_train]]
train_labels = iris.target[idxr[:Ndata_train]]

val_data = iris.data[idxr[Ndata_train:]]
val_labels = iris.target[idxr[Ndata_train:]]

　ニューラルネットワークを作成する
　　　KerasのSequentialというクラスを使ってニューラルネットワークを作成

　　　4次元(がく片の長さ、がく片の幅、花弁の長さ、花弁の幅)のデータから
　　　3次元(setosa, versicolor, virginica)のラベルへ層が構成されている

　　　中間層は2層でユニット数(中間層の次元)は10、
　　　　　Denseで設定したため全結合層になっている

　　　modelには、keras.Sequentialから作成したインスタンスが入っており、
　　　　　これを使用してデータを学習させることが可能になる

model = keras.Sequential([
    keras.layers.Dense(4, activation='relu'),
    keras.layers.Dense(10, activation='relu'),
    keras.layers.Dense(10, activation='relu'),
    keras.layers.Dense(3, activation='softmax')
])

　機械学習の準備を行う
　　　modelインスタンスのcompileメソッドを使って学習の設定を行う

　　　compileには引数が3つ
　　　　　optimizer:最適化手法を設定する
　　　　　　　今回はSGDに設定
　　　　　loss:損失関数を設定する
　　　　　　　今回はsparse_categorical_crossentropyに設定
　　　　　metrics:評価関数を設定する
　　　　　　　accuracyを入れておけば問題ない、評価関数を設定しても良い

model.compile(optimizer='SGD',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

　機械学習を行う
　　　modelインスタンスのfitメソッドを使うことで学習を行う

　　　fitの引数に
　　　　　訓練データとそれに対応する訓練データのラベルを代入する
　　　　　オプションとして他に4つの引数を使っている
　　　　　　　validation_data:検証用データをタプルにして渡す
　　　　　　　　　(val_data, val_labels)を設定する
　　　　　　　epochs:エポック数を設定、デフォルトは1
　　　　　　　　　30に設定するしている
　　　　　　　batch_size:バッチサイズを設定、デフォルトは32
　　　　　　　　　ミニバッチのサイズはNdata_train//10によって7つだが、
　　　　　　　　　この数字に特に意味はない
　　　　　　　verbose:ログ出力の設定、デフォルトは1
　　　　　　　　　0だとログが出ない
　　　　　　　　　正の値だと細かいログが出力される
　　　　　　　　　負の値だとepoch数のみ表示される

training_history = model.fit(train_data, train_labels,
                             validation_data=(val_data, val_labels),
                             epochs=30,
                             batch_size = Ndata_train//10,
                             verbose=1)

　結果を評価する
　　　履歴を見る
　　　　　fitの返り値をtraining_historyに代入し、中身を見る

　　　大量に表示されるが履歴はhistoryに格納されている
　　　　　出力結果に'accuracy':とあることからdict型のリストである

　　　辞書のキーに何が入ってるのか確認するためにkeysメソッドを使う
　　　　　4つのキーで構成されていることがわかる
　　　　　　　val_accuracy:検証データに対する精度の値
　　　　　　　loss:訓練データに対する損失関数の値
　　　　　　　accuracy:訓練データに対する精度の値
　　　　　　　val_loss:検証データに対する損失関数の値

dir(training_history)

training_history.history

training_history.history.keys()

　精度を確認する
　　　訓練データに対する精度の値と検証データに対する精度の値を確認する
　　　　　訓練データに対する精度の値が79%
　　　　　検証データに対する精度の値が73%

print("traininig")
print(training_history.history['accuracy'][-1])
print("validation")
print(training_history.history['val_accuracy'][-1])

　損失関数と精度の履歴について散布図で可視化する
　　　損失関数の散布図は対数軸にするためにplt.semilogyを使う
　　　精度の散布図はplt.ylimを使ってy軸の範囲を0~1.1に設定する

# 訓練データに対する損失関数のプロット
y=training_history.history['loss']
x=range(len(y))
plt.semilogy(x,y,label="loss for training")

# 検証データに対する損失関数のプロット
y=training_history.history['val_loss']
x=range(len(y))
plt.semilogy(x,y,label="loss for validation",alpha=0.5)

plt.legend()
plt.xlabel("Steps")
plt.show()

# 訓練データに対する精度のプロット
y=training_history.history['accuracy']
x=range(len(y))
plt.plot(x,y,label="accuracy for training")

# 検証データに対する精度のプロット
y=training_history.history['val_accuracy']
x=range(len(y))
plt.plot(x,y,label="accuracy for validation")

plt.legend()
plt.xlabel("Steps")
plt.ylim(0,1.1)
plt.show()

４．結論

　最終的な訓練データの正答率は79%、検証データの正答率は73%
　　　アヤメは3種類なので当てずっぽうの33.3%よりは高い精度

　散布図では損失関数が減少すると分類精度は上昇する、負の相関が見られる

　第１回　１月１５日（土）

発表者

Youtube　シニアプログラミング発表会 #1

発表者

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

iris（菖蒲：アヤメ）データセットの内容を詳細に確認する方法
　（その１）の
　　　行番号１～２４：ハウスキーピング部分
　　　行番号６８〜９９：データ出力部分　を使用する

#
import pandas as pd
from sklearn import datasets      
iris_datasets =  datasets.load_iris()
iris = pd.DataFrame(iris_datasets.data,columns = iris_datasets.feature_names)
iris['target'] = iris_datasets.target
#
#
#
#　データの先頭
print("＊＊＊先頭＊＊＊＊")
print(iris.head(7))
print("＊＊＊＊＊＊＊＊")
#
#　データの概要
print("＊＊＊概要＊＊＊＊")
print(iris.info())
print("＊＊＊＊＊＊＊＊")
#
#　データの要約統計量
print("＊＊＊統計＊＊＊＊＊")
print(iris.describe())
print("＊＊＊＊＊＊＊＊")
#
#　データの形状
print("＊＊＊形状＊＊＊＊＊")
print(iris.shape)
print("＊＊＊＊＊＊＊＊")
#
#　データ要素の取り出し
print("＊＊＊要素＊＊＊＊＊")
print(iris.iloc[:10])
print("＊＊＊＊＊＊＊＊")
#
#　条件に合う行の取得
print("＊＊＊条件＊＊＊＊＊")
print(iris.query("target==1"))
print("＊＊＊＊＊＊＊＊")
#
#

以下はサンプルコードと出力例

１.データの先頭行

#　データの先頭行
print("＊＊＊先頭＊＊＊＊")
print(iris.head(7))
print("＊＊＊＊＊＊＊＊")

＊＊＊先頭＊＊＊＊
   sepal length (cm)  sepal width (cm)  ...  petal width (cm)  target
0                5.1               3.5  ...               0.2       0
1                4.9               3.0  ...               0.2       0
2                4.7               3.2  ...               0.2       0
3                4.6               3.1  ...               0.2       0
4                5.0               3.6  ...               0.2       0
5                5.4               3.9  ...               0.4       0
6                4.6               3.4  ...               0.3       0

[7 rows x 5 columns]
＊＊＊＊＊＊＊＊

　「７」を指定すると・・・可変値
　　　先頭から７件の内容を出力する
　
　項目について
　　　sepal length・・・がく（外側）の長さ
　　　sepal width・・・がく（外側）の幅
　　　petal length・・・花弁（内側）の長さ
　　　petal width・・・花弁（内側）の幅
　　　target・・・品種

品種（target）	名称	イメージ
０	setosa セトーサ ヒオウギアヤメ
１	versicolor ヴァーシカラー ブルーフラッグ
２	virginica ヴァージニカ ヴァージニカ

２．データの概要

#　データの概要
print("＊＊＊概要＊＊＊＊")
print(iris.info())
print("＊＊＊＊＊＊＊＊")

＊＊＊概要＊＊＊＊
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 150 entries, 0 to 149
Data columns (total 5 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   sepal length (cm)  150 non-null    float64
 1   sepal width (cm)   150 non-null    float64
 2   petal length (cm)  150 non-null    float64
 3   petal width (cm)   150 non-null    float64
 4   target             150 non-null    int64  
dtypes: float64(4), int64(1)
memory usage: 6.0 KB
None
＊＊＊＊＊＊＊＊

　項目について
　　　RangeIndex・・・行数（例：１５０件）
　　　Data columns・・・列数（例：５カラム）
　　　列名、列の型、データタイプ等を表す

３．データの要約統計量

#　データの要約統計量
print("＊＊＊統計＊＊＊＊＊")
print(iris.describe())
print("＊＊＊＊＊＊＊＊")

＊＊＊統計＊＊＊＊＊
       sepal length (cm)  sepal width (cm)  ...  petal width (cm)      target
count         150.000000        150.000000  ...        150.000000  150.000000
mean            5.843333          3.057333  ...          1.199333    1.000000
std             0.828066          0.435866  ...          0.762238    0.819232
min             4.300000          2.000000  ...          0.100000    0.000000
25%             5.100000          2.800000  ...          0.300000    0.000000
50%             5.800000          3.000000  ...          1.300000    1.000000
75%             6.400000          3.300000  ...          1.800000    2.000000
max             7.900000          4.400000  ...          2.500000    2.000000

[8 rows x 5 columns]
＊＊＊＊＊＊＊＊

　項目について
　　　count・・・件数
　　　mean・・・平均値
　　　std・・・標準偏差
　　　min・・・最小値
　　　25%・・・１／４分位点
　　　50%・・・中央値
　　　75%・・・３／４分位点
　　　max・・・最大値

４．データの形状

#　データの形状
print("＊＊＊形状＊＊＊＊＊")
print(iris.shape)
print("＊＊＊＊＊＊＊＊")

＊＊＊形状＊＊＊＊＊
(150, 5)
＊＊＊＊＊＊＊＊

　項目の説明
　　　１５０行、５列のデータセット

５．データ要素の取り出し

#　データ要素の取り出し
print("＊＊＊要素＊＊＊＊＊")
print(iris.iloc[:10])
print("＊＊＊＊＊＊＊＊")

＊＊＊要素＊＊＊＊＊
   sepal length (cm)  sepal width (cm)  ...  petal width (cm)  target
0                5.1               3.5  ...               0.2       0
1                4.9               3.0  ...               0.2       0
2                4.7               3.2  ...               0.2       0
3                4.6               3.1  ...               0.2       0
4                5.0               3.6  ...               0.2       0
5                5.4               3.9  ...               0.4       0
6                4.6               3.4  ...               0.3       0
7                5.0               3.4  ...               0.2       0
8                4.4               2.9  ...               0.2       0
9                4.9               3.1  ...               0.1       0

[10 rows x 5 columns]
＊＊＊＊＊＊＊＊

　 配列（リスト）の値を取り出す
　　　開始位置、終了位置、増分を指定する

　項目の説明
　　　

６．条件に合う行の取得

#　条件に合う行の取得
print("＊＊＊条件＊＊＊＊＊")
print(iris.query("target==1"))
print("＊＊＊＊＊＊＊＊")

＊＊＊条件＊＊＊＊＊
    sepal length (cm)  sepal width (cm)  ...  petal width (cm)  target
50                7.0               3.2  ...               1.4       1
51                6.4               3.2  ...               1.5       1
52                6.9               3.1  ...               1.5       1
53                5.5               2.3  ...               1.3       1
54                6.5               2.8  ...               1.5       1
55                5.7               2.8  ...               1.3       1
56                6.3               3.3  ...               1.6       1
57                4.9               2.4  ...               1.0       1
58                6.6               2.9  ...               1.3       1
59                5.2               2.7  ...               1.4       1
60                5.0               2.0  ...               1.0       1
61                5.9               3.0  ...               1.5       1
62                6.0               2.2  ...               1.0       1
63                6.1               2.9  ...               1.4       1
64                5.6               2.9  ...               1.3       1
65                6.7               3.1  ...               1.4       1
66                5.6               3.0  ...               1.5       1
67                5.8               2.7  ...               1.0       1
68                6.2               2.2  ...               1.5       1
69                5.6               2.5  ...               1.1       1
70                5.9               3.2  ...               1.8       1
71                6.1               2.8  ...               1.3       1
72                6.3               2.5  ...               1.5       1
73                6.1               2.8  ...               1.2       1
74                6.4               2.9  ...               1.3       1
75                6.6               3.0  ...               1.4       1
76                6.8               2.8  ...               1.4       1
77                6.7               3.0  ...               1.7       1
78                6.0               2.9  ...               1.5       1
79                5.7               2.6  ...               1.0       1
80                5.5               2.4  ...               1.1       1
81                5.5               2.4  ...               1.0       1
82                5.8               2.7  ...               1.2       1
83                6.0               2.7  ...               1.6       1
84                5.4               3.0  ...               1.5       1
85                6.0               3.4  ...               1.6       1
86                6.7               3.1  ...               1.5       1
87                6.3               2.3  ...               1.3       1
88                5.6               3.0  ...               1.3       1
89                5.5               2.5  ...               1.3       1
90                5.5               2.6  ...               1.2       1
91                6.1               3.0  ...               1.4       1
92                5.8               2.6  ...               1.2       1
93                5.0               2.3  ...               1.0       1
94                5.6               2.7  ...               1.3       1
95                5.7               3.0  ...               1.2       1
96                5.7               2.9  ...               1.3       1
97                6.2               2.9  ...               1.3       1
98                5.1               2.5  ...               1.1       1
99                5.7               2.8  ...               1.3       1

[50 rows x 5 columns]
＊＊＊＊＊＊＊＊

　品種が「１（versicolor）」を取り出す（例）
　　　５０件のデータが存在する

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

iris（菖蒲：アヤメ）データセットを使って進める
　　（その３）は行番号５２～６６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
#
from sklearn import datasets
#      
%matplotlib inline
#
iris_datasets =  datasets.load_iris()
#
#
#print("＊＊＊詳細＊＊＊＊＊",flush=True)
#print(iris_datasets.DESCR)
#print("＊＊＊＊＊＊＊＊",flush=True)
#
#
#　　　２．データの確認
#
iris = pd.DataFrame(iris_datasets.data,columns = iris_datasets.feature_names)
iris['target'] = iris_datasets.target
#
iris.head()
#
#
#　　　３．モデルの学習
#
target = iris['target']
data = iris[iris_datasets.feature_names]
#
from sklearn import model_selection
data_train,data_test,target_train,target_test = \
        model_selection.train_test_split(data,target,train_size=0.8)
#
print(target_train.shape,target_test.shape)
print(data_train.shape,data_test.shape)
#
from sklearn.svm import SVC
model = SVC(gamma='scale')
model.fit(data_train,target_train)
#
target_predict = model.predict(data_test)
#
print(target_predict)
print(np.array(target_test))
#
model.score(data_test,target_test)
#
#
#　　　４．モデルの評価
#
from sklearn.metrics import precision_score
from sklearn.metrics import recall_score
from sklearn.metrics import f1_score
#
precision = precision_score(target_test,target_predict,average='micro')
recall = recall_score(target_test,target_predict,average='micro')
f1 = f1_score(target_test,target_predict,average='micro')
#
print('適合率(precision)',precision)
print('再現率(recall)',recall)
print('Ｆ値(F-measure)',f1)
#
#
#
#　データの先頭
#print("＊＊＊先頭＊＊＊＊",flush=True)
#iris.head()
#print("＊＊＊＊＊＊＊＊",flush=True)
#
#　データの概要
#print("＊＊＊概要＊＊＊＊",flush=True)
#iris.info()
#print("＊＊＊＊＊＊＊＊",flush=True)
#
#　データの要約統計量
#print("＊＊＊統計＊＊＊＊＊")
#iris.describe()
#print("＊＊＊＊＊＊＊＊")
#
#　データの形状
#print("＊＊＊形状＊＊＊＊＊")
#iris.shape
#print("＊＊＊＊＊＊＊＊")
#
#　データ要素の取り出し
#print("＊＊＊要素＊＊＊＊＊")
#iris.iloc[:10]
#print("＊＊＊＊＊＊＊＊")
#
#　条件に合う行の取得
#print("＊＊＊条件＊＊＊＊＊")
#iris.query("target==1")
#print("＊＊＊＊＊＊＊＊")
#
#

以下にサンプルコードと解説を載せます

４.モデルの評価

#
from sklearn.metrics import precision_score
from sklearn.metrics import recall_score
from sklearn.metrics import f1_score

　評価用数値を求めるためにライブラリを読み込む
　　　適合率（precision）
　　　　　正解と予測した中で、実際に正解している割合
　　　再現率（recall）
　　　　　実際の正解の中で、正解と予測できた割合
　　　Ｆ値（F-measure）
　　　　　適合率と再現率の調和平均

#
precision = precision_score(target_test,target_predict,average='micro')
recall = recall_score(target_test,target_predict,average='micro')
f1 = f1_score(target_test,target_predict,average='micro')

　各々評価値を計算する
　　　目的変数の検証用データと予測結果で割合の計算

#
print('適合率(precision)',precision)
print('再現率(recall)',recall)
print('Ｆ値(F-measure)',f1)

　以下はprint文による出力例

適合率(precision) 0.9666666666666667
再現率(recall) 0.9666666666666667
Ｆ値(F-measure) 0.9666666666666667

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

iris（菖蒲：アヤメ）データセットを使って進める
　　（その２）は行番号２８～５１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
#
from sklearn import datasets
#      
%matplotlib inline
#
iris_datasets =  datasets.load_iris()
#
#
#print("＊＊＊詳細＊＊＊＊＊",flush=True)
#print(iris_datasets.DESCR)
#print("＊＊＊＊＊＊＊＊",flush=True)
#
#
#　　　２．データの確認
#
iris = pd.DataFrame(iris_datasets.data,columns = iris_datasets.feature_names)
iris['target'] = iris_datasets.target
#
iris.head()
#
#
#　　　３．モデルの学習
#
target = iris['target']
data = iris[iris_datasets.feature_names]
#
from sklearn import model_selection
data_train,data_test,target_train,target_test = \
        model_selection.train_test_split(data,target,train_size=0.8)
#
print(target_train.shape,target_test.shape)
print(data_train.shape,data_test.shape)
#
from sklearn.svm import SVC
model = SVC(gamma='scale')
model.fit(data_train,target_train)
#
target_predict = model.predict(data_test)
#
print(target_predict)
print(np.array(target_test))
#
model.score(data_test,target_test)
#
#
#　　　４．モデルの評価
#
from sklearn.metrics import precision_score
from sklearn.metrics import recall_score
from sklearn.metrics import f1_score
#
precision = precision_score(target_test,target_predict,average='micro')
recall = recall_score(target_test,target_predict,average='micro')
f1 = f1_score(target_test,target_predict,average='micro')
#
print('適合率(precision)',precision)
print('再現率(recall)',recall)
print('Ｆ値(F-measure)',f1)
#
#
#
#　データの先頭
#print("＊＊＊先頭＊＊＊＊",flush=True)
#iris.head()
#print("＊＊＊＊＊＊＊＊",flush=True)
#
#　データの概要
#print("＊＊＊概要＊＊＊＊",flush=True)
#iris.info()
#print("＊＊＊＊＊＊＊＊",flush=True)
#
#　データの要約統計量
#print("＊＊＊統計＊＊＊＊＊")
#iris.describe()
#print("＊＊＊＊＊＊＊＊")
#
#　データの形状
#print("＊＊＊形状＊＊＊＊＊")
#iris.shape
#print("＊＊＊＊＊＊＊＊")
#
#　データ要素の取り出し
#print("＊＊＊要素＊＊＊＊＊")
#iris.iloc[:10]
#print("＊＊＊＊＊＊＊＊")
#
#　条件に合う行の取得
#print("＊＊＊条件＊＊＊＊＊")
#iris.query("target==1")
#print("＊＊＊＊＊＊＊＊")
#
#

以下にサンプルコードと解説を載せます

３.モデルの学習

#
target = iris['target']
data = iris[iris_datasets.feature_names]

　irisデータを機械学習用に準備する
　　今回は評価用データは設けず、全て機械学習用とする
　　　　目的変数（target）、説明変数（data）の２つを用意する
　　　　　　目的変数：結果（推論を行う対象）　
　　　　　　説明変数：要因（推論を行うために用いる変数）　　　

#
from sklearn import model_selection
data_train,data_test,target_train,target_test = \
        model_selection.train_test_split(data,target,train_size=0.8)

　分割用のオブジェクトをsklearnから読み込む
　　　model_selectionを呼び出す

　データの分割にはtrain_test_split関数を使用する
　　　ランダムにデータをピックアップする関数
　　　　　※記述した計算結果の数値は都度異なる結果になる

　　　目的変数と説明変数は以下の様に分割される
　　　　　target_train・・・８０％、学習データ
　　　　　target_test ・・・２０％、検証データ

　　　　　data_train・・・８０％、学習データ
　　　　　data_test ・・・２０％、検証データ

#
print(target_train.shape,target_test.shape)
print(data_train.shape,data_test.shape)

　分割の結果を確認する
　　　目的変数の形状（shape）を各々出力する
　　　説明変数の形状（shape）を各々出力する

　以下はprint文による出力例

(120,) (30,)
(120, 4) (30, 4)

　１５０行のデータが各々１２０行と３０行に分割されている
　　　　　target_train・・・８０％（１２０行）
　　　　　target_test ・・・２０％（３０行）

　　　　　data_train・・・８０％ （１２０行、４列）
　　　　　data_test ・・・２０％ （３０行、４列）

#
from sklearn.svm import SVC
model = SVC(gamma='scale')
model.fit(data_train,target_train)

　sklearn.svmモジュールに含まれるSVCクラスを呼び出す

　サポートベクターマシン（ＳＶＭ）を使って学習する
　　　ＳＶＭ・・・予測に必要なデータに絞り込んでいくこと
　　　　　例：１本の境界線で２つに分類できるとして、
　　　　　　　最もよく分類できる直線を求める

　モデルとしてガンマ分布（gamma）を使用する

　fit関数に学習データ（data_trainとtarget_tran）を渡す
　　　モデルのデータ関連性を学習する

#
target_predict = model.predict(data_test)

　検証データを使って予測する
　　　predict関数に説明変数の検証データを与えると
　　　予測結果がtarget_predictに返ってくる

#
print(target_predict)
print(np.array(target_test))

　予測結果（target_predict）データと
　正解（目的変数の検証データ：target_test）を並べて比較する
　　　検証データは配列に変換する

　以下はprint文による出力例

[0 0 2 2 1 1 1 2 2 1 0 1 1 1 2 0 0 1 1 1 1 0 0 0 0 1 0 0 2 0]
[0 0 2 2 1 1 1 2 2 1 0 1 1 1 2 0 0 1 1 1 1 0 0 0 0 1 0 0 2 0]

#
model.score(data_test,target_test)

　正解率（決定係数）を計算する
　　　説明変数の検証データ（data_test）と
　　　目的変数の検証データ（target_test）とで正解率を求める

　以下は正解率（score関数の出力）

0.9666666666666667

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

iris（菖蒲：アヤメ）データセットを使って進める
　（その１）は行番号１～２７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
#
from sklearn import datasets
#      
%matplotlib inline
#
iris_datasets =  datasets.load_iris()
#
#
#print("＊＊＊詳細＊＊＊＊＊",flush=True)
#print(iris_datasets.DESCR)
#print("＊＊＊＊＊＊＊＊",flush=True)
#
#
#　　　２．データの確認
#
iris = pd.DataFrame(iris_datasets.data,columns = iris_datasets.feature_names)
iris['target'] = iris_datasets.target
#
iris.head()
#
#
#　　　３．モデルの学習
#
target = iris['target']
data = iris[iris_datasets.feature_names]
#
from sklearn import model_selection
data_train,data_test,target_train,target_test = \
        model_selection.train_test_split(data,target,train_size=0.8)
#
print(target_train.shape,target_test.shape)
print(data_train.shape,data_test.shape)
#
from sklearn.svm import SVC
model = SVC(gamma='scale')
model.fit(data_train,target_train)
#
target_predict = model.predict(data_test)
#
print(target_predict)
print(np.array(target_test))
#
model.score(data_test,target_test)
#
#
#　　　４．モデルの評価
#
from sklearn.metrics import precision_score
from sklearn.metrics import recall_score
from sklearn.metrics import f1_score
#
precision = precision_score(target_test,target_predict,average='micro')
recall = recall_score(target_test,target_predict,average='micro')
f1 = f1_score(target_test,target_predict,average='micro')
#
print('適合率(precision)',precision)
print('再現率(recall)',recall)
print('Ｆ値(F-measure)',f1)
#
#
#
#　データの先頭
#print("＊＊＊先頭＊＊＊＊",flush=True)
#iris.head()
#print("＊＊＊＊＊＊＊＊",flush=True)
#
#　データの概要
#print("＊＊＊概要＊＊＊＊",flush=True)
#iris.info()
#print("＊＊＊＊＊＊＊＊",flush=True)
#
#　データの要約統計量
#print("＊＊＊統計＊＊＊＊＊")
#iris.describe()
#print("＊＊＊＊＊＊＊＊")
#
#　データの形状
#print("＊＊＊形状＊＊＊＊＊")
#iris.shape
#print("＊＊＊＊＊＊＊＊")
#
#　データ要素の取り出し
#print("＊＊＊要素＊＊＊＊＊")
#iris.iloc[:10]
#print("＊＊＊＊＊＊＊＊")
#
#　条件に合う行の取得
#print("＊＊＊条件＊＊＊＊＊")
#iris.query("target==1")
#print("＊＊＊＊＊＊＊＊")
#
#

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

#
from sklearn import datasets

　サンプルデータを使用する準備
　　　sklearn・・・機械学習用のモデルやサンプルデータ
　　　　　　　　　　分類や回帰などの機械学習に使えるdatasets群
　　　sklearnモジュールからdatasetsオブジェクトを取り出す

　「scikit-learn」は「サイキット・ラーン」と読み
　　　Pythonの機械学習ライブラリ（アルゴリズム）で構成されている

#         
%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

#
iris_datasets =  datasets.load_iris()

　irisのサンプルデータセットを読み込む
　　　load_iris 関数を使用する

"""
print("＊＊＊詳細＊＊＊＊＊",flush=True)
print(iris_datasets.DESCR)
print("＊＊＊＊＊＊＊＊",flush=True)
"""

　 irisのサンプルデータセットの内容を出力する
　　　　　※コメントアウト（＃）を外すと出力される
　　　　　＊dir関数を使って dir(iris_datasets) 内容を表示することも可能
　　　　　　　概要を把握するにはこちらが便利
　　　５０件づつ３つのクラスに分かれており全部で１５０件
　　　４つの数値データで構成されている

　　　詳細の確認をする
　　　　　目的変数　target　品種（３種類）
　　　　　説明変数　data　　花びらの属性（長さと幅）

　　　　　説明変数名は「feature_names」に符号化され列名として存在する
　　　　　　　setosa、versicolor、virginica

　　　以下はprint文によるDESCR（Data Set Characteristics）の出力例
　　　　　DESCRはiris_datasetsの属性、値がstrのインスタンス

python1>>> iris_datasets.__class__ 2<class 'sklearn.utils.Bunch'>

＊＊＊詳細＊＊＊＊＊
.. _iris_dataset:

Iris plants dataset
--------------------

**Data Set Characteristics:**

    :Number of Instances: 150 (50 in each of three classes)
    :Number of Attributes: 4 numeric, predictive attributes and the class
    :Attribute Information:
        - sepal length in cm
        - sepal width in cm
        - petal length in cm
        - petal width in cm
        - class:
                - Iris-Setosa
                - Iris-Versicolour
                - Iris-Virginica
                
    :Summary Statistics:

    ============== ==== ==== ======= ===== ====================
                    Min  Max   Mean    SD   Class Correlation
    ============== ==== ==== ======= ===== ====================
    sepal length:   4.3  7.9   5.84   0.83    0.7826
    sepal width:    2.0  4.4   3.05   0.43   -0.4194
    petal length:   1.0  6.9   3.76   1.76    0.9490  (high!)
    petal width:    0.1  2.5   1.20   0.76    0.9565  (high!)
    ============== ==== ==== ======= ===== ====================

    :Missing Attribute Values: None
    :Class Distribution: 33.3% for each of 3 classes.
    :Creator: R.A. Fisher
    :Donor: Michael Marshall (MARSHALL%PLU@io.arc.nasa.gov)
    :Date: July, 1988

The famous Iris database, first used by Sir R.A. Fisher. The dataset is taken
from Fisher's paper. Note that it's the same as in R, but not as in the UCI
Machine Learning Repository, which has two wrong data points.

This is perhaps the best known database to be found in the
pattern recognition literature.  Fisher's paper is a classic in the field and
is referenced frequently to this day.  (See Duda & Hart, for example.)  The
data set contains 3 classes of 50 instances each, where each class refers to a
type of iris plant.  One class is linearly separable from the other 2; the
latter are NOT linearly separable from each other.

.. topic:: References

   - Fisher, R.A. "The use of multiple measurements in taxonomic problems"
     Annual Eugenics, 7, Part II, 179-188 (1936); also in "Contributions to
     Mathematical Statistics" (John Wiley, NY, 1950).
   - Duda, R.O., & Hart, P.E. (1973) Pattern Classification and Scene Analysis.
     (Q327.D83) John Wiley & Sons.  ISBN 0-471-22361-1.  See page 218.
   - Dasarathy, B.V. (1980) "Nosing Around the Neighborhood: A New System
     Structure and Classification Rule for Recognition in Partially Exposed
     Environments".  IEEE Transactions on Pattern Analysis and Machine
     Intelligence, Vol. PAMI-2, No. 1, 67-71.
   - Gates, G.W. (1972) "The Reduced Nearest Neighbor Rule".  IEEE Transactions
     on Information Theory, May 1972, 431-433.
   - See also: 1988 MLC Proceedings, 54-64.  Cheeseman et al"s AUTOCLASS II
     conceptual clustering system finds 3 classes in the data.
   - Many, many more ...
＊＊＊＊＊＊＊＊

２．データの確認

#
iris = pd.DataFrame(iris_datasets.data,columns = iris_datasets.feature_names)
iris['target'] = iris_datasets.target

　Pandasの「DataFrame」を使って列名を決める
　　　第一引数・・・元になるデータ
　　　第二引数・・・元になるデータが持っている列名を指定する

　 「DataFrame」に列を追加するために、列名とデータを指定する
　　　５カラム目として「target」を追加する
　　　　　※単なる数字データが列名を付けた配列データになる

#
print(iris.head())

　先頭（head）の５行を表示する例・・・行数は指定可
　　　print文を使って出力する
　　　先頭の５行、５列のデータが出力される

　以下はprint文による出力例

   sepal length (cm)  sepal width (cm)  ...  petal width (cm)  target
0                5.1               3.5  ...               0.2       0
1                4.9               3.0  ...               0.2       0
2                4.7               3.2  ...               0.2       0
3                4.6               3.1  ...               0.2       0
4                5.0               3.6  ...               0.2       0

[5 rows x 5 columns]

3.その他

　データの内容を詳細に確認する
　　　 行番号６９～９７までの処理、コメントアウトを外すと出力される
　　　参照　アヤメの種類判別（その４）　　

１．地鎮の作法

　屋敷地取作法・・・屋敷を構えるための作法
　　　公益財団法人和歌山県文化財センター　シンポジウムや報告会の要旨集
　　　　　地宝のひびき－和歌山県内文化財調査報告会資料集　2018-07-14
　　　　　　　金剛峯寺境内出土の地鎮・鎮壇具を参照

　　　やしきちとりさほう
　　　　　日本の中世から近世にかけての土地の利用や
　　　　　宅地（屋敷地）の配置・取得・整備に関する習慣や作法を指す

　　　　　特に中世や近世の村落構造や武家屋敷の形成、
　　　　　あるいは寺社や町屋の配置などを研究する文脈で使われる

　真言宗　中院流
　　真言宗（東密）の事相（じそう）の法流の一つ
　　明算ﾒｲｻﾞﾝ（中院阿闍梨）が派祖
　　小野流系の法流

２．逆修銘

　「逆修」とは
　　生前に自分の冥福を祈り死後は浄土へ住めるよう祈念すること

　「銘」とは
　　一石五輪塔のように名前を刻んだもの

　「五輪塔」とは
　　５つの形から形成され
　　　　下から四角形、円形、三角形、半円形、宝珠系の順で
　　　　下から地・水・火・風・空を表す

　　インドから日本の密教に伝わり、
　　　　五大要素を五輪とし、塔としたのが五輪塔

１．各研究者による論文

　川西宏幸・・・円筒埴輪総論・・・全国レベルで編年が分かる

　和田晴吾・・・古墳時代の王権と集団関係・・・「様式」で区分分け

　広瀬覚・・・ 古代王権の形成と埴輪生産
　　　https://ameblo.jp/ufjtmb26/entry-12399880533.html

　岸本直文・澤田秀夫・・・前方後円墳の築造規格からみた古墳時代の政治的変動の研究・・・古墳の相似形の研究
　　　　https://kaken.nii.ac.jp/ja/grant/KAKENHI-PROJECT-13410120/

　都出比呂志・・・古墳時代首長系譜の継続と断絶
　　　　https://ir.library.osaka-u.ac.jp/repo/ouka/all/48039/mrh_022_001.pdf

２．古墳の見方

　犬木教授の考え
　　・墓制の共有／葬制の共有
　　　　　見えない部分の共通性

　　・基本形と変容
　　　　　非中央の古墳分布の重要性

　　・上下の関係ではなく斜めの関係

１．オイラー法

　常微分方程式の数値解法の一つ
　　　数学的に理解しやすく、プログラム的にも簡単
　　　数値解析の初歩的な学習問題としてよく取りあげられる

　　　常微分方程式に初期条件を与えることで，
　　　　　未知数を含まない形で書けるような問題を「初期値問題」と呼び
　　　　　微分方程式の数値解法は初期値問題を解くことを目的とする

　　　x0 から x1 のような幅が刻み幅に相当する区間において，
　　　傾きが f(x0,y0) で一定であると仮定して近似解を求める
　　　　　傾きは一定では無い，近似が正確となりうるのは，h→0 の極限のみ

２．ガウスの消去法

　連立一次方程式を解くアルゴリズムの一つ
　　　拡大係数行列を行基本変形することで解を求める
　　　掃き出し法とも呼ばれる

　ガウスの消去法は
　　　前進消去（文字を1つずつ消していく操作）
　　　　　方程式の定数倍を他の方程式に加えることで文字を順番に消していく

　　　　　元の式

　　　　　　　一番目の式を −1 倍し二番目の式に加える
　　　　　　　一番目の式の −2 倍を三番目の式に加える

　　　　　計算する（x1​を消す）

　　　　　　　二番目の式を 1／３ 倍し三番目の式に加える

　　　　　計算する（x2​を消す）

　　　　　これで「目標の形」x3＝2が求まる

　　　後退代入（1成分ずつ答えを求めていく操作）
　　　　　後ろの式から順番にたどっていき，1つずつ変数の値を求めていく
　　　　　　　x3＝2を二番目の式に代入する　−3*x2 + 5x2 ​= 1
　　　　　　　　　　　　　　　　　　　　　　 x2＝3
　　　　　　　x2＝3、x3＝2を一番目の指揮に代入する　x1 + 2*3 -2*2 = 3
　　　　　　　　　　　　　　　　　　　　　　 x1 = 1
　　　これでx1 = 1、x2＝3、x3＝2が求まる

３．シンプソン法

　区分求積法
　　　より次数の高い関数で近似できた方が誤差が減少する可能性がある
　　　　　２次関数を表現する場合には３点を利用する必要があり，
　　　　　２つの区分を利用する必要がある

４．ニュートン法

　方程式の解を数値計算によって近似的に求める
　　　ニュートン・ラフソン法とも呼ばれる

１．Java

　C言語をベースに開発されたプログラミング言語
　　　語源はコーヒーのJava（ジャワ）
　　　幅広いプラットフォームの環境の違いを吸収し、適切に実行される
　　　開発環境とは異なる実行環境でも実行できる特徴を持つ

　汎用性と安全性が高い
　　　多くのプラットフォームで採用されているプログラム言語
　　　　　デスクトップやWebアプリ
　　　　　家電やIoT機器
　　　　　カーナビ等の組み込みソフトウェア　等々

　メリットとデメリット
　　　メリット
　　　　　実行環境の自由度の高さ
　　　　　　　プラットフォームを問わずどんなコンピュータでも使える
　　　　　コンパイル言語
　　　　　　　処理速度が速く安定性がある、セキュリティ性が高い
　　　　　世界的に見てもJavaの需要は非常に高い

　　　デメリット
　　　　　他のプログラミング言語よりもルールや難しい記述が多い
　　　　　　　習得の難易度は高い
　　　　　オブジェクト指向
　　　　　　　考え方の理解に時間が掛かる、独学では挫折することが多い
　　　　　小規模なシステム開発には向いてない
　　　　　　　拡張性を活かしきれず、開発工数のみが増えてしまう

２．Java スクリプト（Java Script）

　「ブラウザ上」で動作するプログラミング言語

　ウェブページに複雑な機能を実装することを可能にするスクリプト
　　　軽量なインタープリター型プログラミング言語でもある
　　　　　ウェブブラウザーはテキストの形で JavaScript コードを受け取り、
　　　　　テキストのままでスクリプトを実行する
　　　　　　　実際には実行時コンパイルという技術で
　　　　　　　バイナリーフォーマットにコンパイルされている

　ウェブ標準技術の階層構造
　　　HTML　マークアップ言語、ウェブコンテンツに構造と意味を与える
　　　CSS　　スタイリング規則の言語、HTMLコンテンツに適用する
　　　JavaScript　スクリプト言語、動的なコンテンツ作成等

　補足（2025年）
　　　当初の定義から時間も経ち現在では
　　　　　Node.js環境が整備されて、サーバーでも動く言語となっている

３．Java アプレット（Java Applet）

　Webブラウザ上（クライアント側）で動くJavaプログラム
　　　セキュリティ上の問題やHTML5などの新しいウェブテクノロジーの台頭で
　　　２０１８年に主要なブラウザがサポートを終了する

４．Java サーブレット（Java Servlet）

　Webサーバ上（バックエンド側）で動くJavaプログラム
　　　プログラミング言語のJavaを使って作成される
　　　動的なWebページの配信システムを実現する
　　　　　主な例：アクセスした人の好みや行動の傾向に合わせてページを表示

　メリット
　　　ライフサイクル管理
　　　　　１回のセッションを管理し、１度リクエストが送られてきたら、
　　　　　メモリに常駐しデータを維持することで返答までのスピードを速める

　　　マルチスレッド対応
　　　　　同時に複数のタスクを処理する
　　　　　　　１秒間に数百回という速さで複数の処理を切り替える
　　　　　　　あたかも同時並行で動作する様に見える

　　　プラットフォームへの非依存
　　　　　Javaというプログラミング言語のためプラットフォームに依存しない
　　　　　　　どの端末からでも設定なしにプログラムを使える

　　　追加するだけで機能拡張
　　　　　モジュール化されており、部分の追記だけで機能拡張できる

５．VBScript

　Microsoftが開発したスクリプト言語
　　　業務で求められる一通りのことは可能
　　　　　ファイル操作、テキスト編集、外部プログラム起動

　　　Microsoft Office の起動や Database 接続等も可能
　　　Excel、Access とのデータ送受信が可能

　補足（2025年）
　　　2027年にWindows上から廃止する
　　　JavaScriptやPowerShellなど汎用性の高いスクリプト言語が誕生し
　　　そちらの方が最新のWeb開発や自動化タスクに最適なため

１．総論

２．旧石器・縄文

３．縄文　東の文化

４．弥生　西の文化

５．古墳　墳丘墓～前方後円墳

６．古墳　巨大古墳

７．九州地方

８．出雲・吉備地方

９．東海・関東地方

１０．北端・南端

１１．東アジア

１２．文字

１３．補足

　前方後円墳（5200基）　６世紀築造が多い
　　　千葉・・・６９３基
　　　茨城・・・４６８基
　　　群馬・・・３９３基
　　　福岡・・・２５７基
　　　鳥取・・・２４８基

1.如来

2.菩薩

3.明王

4.天部・羅漢

実行例は「saka.mokumoku」の「Google Colabotry」環境に保存してある
　　学習モデルにRandomForestを使用する

１．事前準備

　ライブラリのインポート、データの読み込み
　　　4つの説明変数
　　　　　sepal length (cm) : がく片の長さ
　　　　　sepal width (cm) : がく片の幅
　　　　　petal length (cm) : 花弁の長さ
　　　　　petal width (cm) : 花弁の幅

　　　targetに3つの品種がある
　　　　　setosa, versicolor, virginicaの３品種名
　　　　　説明変数と同じようにデータフレームに入れる
　　　　　　　目的変数の値を確認する
　　　　　　　　　0 : setosa
　　　　　　　　　1 : versicolor
　　　　　　　　　2 : virginica

#
#　ライブラリのインポート、データの読み込み、先頭5行の表示
#
from sklearn.datasets import load_iris
import pandas as pd
iris = load_iris()
data = iris.data
#
#　説明変数の確認
#
feature_names = iris.feature_names
df = pd.DataFrame(data=data, columns=feature_names)
df.head()
#
df.shape
#
#　目的変数の確認
#
target = iris.target
target_names = iris.target_names
print(target_names)
#
df_target = pd.DataFrame(data=target, columns=['target'])
print((df_target.head())
#
print(df_target['target'].unique()) 

２．機械学習

　データ分割
　　　データを学習用とテスト用に分割する
　　　　　train_test_split()で簡単に分割できる
　　　　　デフォルトで25%のデータがテストデータ
　　　　　　　変更する場合は引数にtest_sizeを追加する、0.2~0.4がお勧め

from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(data, df_target)
print('x_train : ', x_train.shape) 
print('x_test : ', x_test.shape) 
print('y_train : ', y_train.shape) 
print('y_test : ', y_test.shape) 

３．機械学習

　学習モデルにRandomForestを使用する

from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier()
#
model.fit(x_train, y_train)

　モデルの精度を確認する
　　　精度の確認にはaccuracy_scoreを使用する
　　　精度は 97.4%

pred = model.predict(x_test)
#
from sklearn.metrics import accuracy_score
accuracy_score(y_test, pred) 

１．上田町遺跡（大阪府）

　弥生水田の剥ぎ取りパネル

２．登呂遺跡（静岡県）

　弥生土器壺

３．酒呑場遺跡（山梨県）

　縄文時代の栽培ダイズ

４．納所遺跡（三重県）

　木製農具

５．山賀遺跡（大阪府）

　ごはんを炊いた土器

理由が不明（世界遺産に選ばれなかった理由）

１．国府遺跡

２．衣縫塚古墳

３．松川塚古墳

４．古室山古墳

５．大鳥塚古墳

６．栗塚古墳

７．盾塚古墳

８．潮音寺北古墳

９．青山２号墳

１．１１月７日の夜、勝利演説の中から抜粋

But while I may be the first woman in this office, I will not be the last, because every little girl, watching tonight sees that this is a country of possibilities.

私は初の女性副大統領であるかもしれませんが、私で最後ではありません。なぜなら全ての少女たちが今夜の光景を見て、この国は可能性の国だということを理解するからです。

２．Kamala Devi Harrisの略歴

　1964年10月20日誕生
　　　第49代副大統領、初の女性・アフリカ系・南アジア系の副大統領

　ワシントンD.C.のハワード大学では政治学と経済学を専攻

　1990年、カリフォルニア州アラメダ郡にて地方検事補

　2004年、サンフランシスコ地方検事に当選

　2011年、初の女性・アフリカ系・インド系のカリフォルニア州司法長官に就任

　2017年、上院議員に選出
　

少し古い原典（1970年代後半）のため見直す必要あり

１．銅鐸

　弥生時代に畿内を中心に現れた青銅器。７世紀の天智朝や８世紀の奈良時代には既に謎の青銅器であった。

　初期は小型で軽く、吊り下げて鳴らす楽器として使っていた。次第に大型化して重くなり、祭器として使われた。

　原料は大陸から輸入した銅剣等を鋳直して銅鐸に作り替えた、そのため畿内には北九州と比べて銅剣・銅矛の出土が少ない。

　石製や土製の鋳型が発見され、製作方法も明らかになった。同じ鋳型で作った銅鐸が各地で出土しており、畿内から各地に配られた過程も明らかになっている。

　埋め戻された銅鐸は、埋まった場所が大概集落を見下ろせる地であることから、村の祭りに使った銅鐸を埋めたものと考えられる。一か所から数個から数十個以上の銅鐸が出土することも少なくない。

　村の共有財産であった銅鐸が一か所に集められた結果であり、小村落が統合されてより大きな小国家を形成していったことを物語る。

　後の大和朝廷やその後継者に伝わらなかったのは、先住民の遺産であったことを想像させる。
　

２．高地性集落

　弥生時代の集落は水稲耕作に便利な平野に多い。弥生中期になると瀬戸内海と大阪湾沿岸や淀川水系で切り立った崖の上や嶮しい山頂に濠をめぐらした集落が点々と築かれるようになる。これらの集落は一時的なものではなく、かなり長期にわたって営まれている。

　嶮しい高地に集落が築かれた理由は防衛のためと考えられる。弥生中期といえば２世紀後半の「倭国大乱」の時期に当たり、高地性集落は城砦的性格を持つ。

　動乱は弥生中期だけではなくかなり長期にわたっていたと思われるので、内海航路の見張台や烽火台ではなかったかという説がある。

　他には畑作集落説もある。

３．前方後方墳

水野祐氏の「二元発祥論」
　　円墳系は大和や日向、方墳系は出雲に発祥した

茂木雅博氏の「吉備発祥説」
　　出雲最古の松本一号墳（前方後方墳）が吉備最古とされる湯迫の車塚古墳（前方後方墳）と平面図や大きさの点で極めて似ており、出雲は吉備の影響を受けている。
　　古式前方後円墳と前方後方墳の大半は、時期的にほとんど同時か前方後方墳が先行するのではないかと考えた。

４．金印

　１７８４年（天明４）志賀島で石の下から発見された金印は国学勃興期にあった学者たちの関心を集めた。

　戯作説は薄れた
　　　・鏨で印刻した印は漢代に多い
　　　・印文に「印」字のないものも中国で発見されている
　　　・四辺の平均（２.３５㎝）は後漢の鋼尺の一寸と一致
　　　・蛇鈕のついた金印が中国でも発見される

　印文の解釈
　　　・「委奴」をナノワと読み、
　　　　　後漢書の「漢の倭の奴の国王」にしたがい
　　　　　那珂川を中心とする福岡市付近の
　　　　　儺県ﾅﾉｱｶﾞﾀに比定する説。
　　　・「委奴」をイトと読み、
　　　　　魏志倭人伝の「伊都国」にしたがい
　　　　　糸島郡東南部に比定する説。

　石の下から発見されたので
　　　・隠匿説、墳墓説、紛失説、漂着説等がある

５．七支刀

　「宣供供候王」との銘文から四世紀～五世紀の日本と百済との関係性を考える。
　　・百済王が倭王に奉ったとする説
　　　　日本書紀の神功摂政５２年の条の七枝刀とし、
　　　　「供供たる候王を宜しくす」と読む
　　・百済王が臣下の倭王に与えたとする説
　　　　銘文が「下行文書」の形式であり、
　　　　「候王」は百済王の下位にあった倭王とする
　　・対等な関係での贈り物とする説
　　　　「供供」を「うやうやしい」と読み、
　　　　上の２つの説をとらない

６．広開土王碑

四世紀末～五世紀初の日朝関係や国内統一に関する一級資料。
碑文の「百殘新羅舊是屬民由來朝貢而倭以耒卯年來渡[海]破百殘■■新羅以為臣民」の箇所について

幾つかの解釈がある
　・「耒卯年」は３９１年とし大和朝廷の朝鮮出兵が行われ、任那日本府が置かれた、とする説
　・倭が耒卯年に侵入してきたため、高句麗は海を越えてこれを撃破した、とする説
　・参謀本部酒勾中尉による「渡海破」挿入の、碑文すりかえ説

倭を大和朝廷とするかどうか、任那日本府の成立時期等をどう見るかがポイントとなる。　

７．神武天皇

　実在性は否定されているが、何故この天皇が創出されたかがポイント。
　・穀霊を意味する語から脱化した神話上の人物
　・初代の崇神天皇をモデルにして作り出された天皇
　・皇室が九州から畿内へ東遷した
　・九州生誕の応神天皇が東遷した史実の反映
　・磐余彦の奈良盆地平定譚を核に成立する
　・大嘗祭に重要な役割を果たす氏族の祖先を基に構想された
　・高句麗の建国伝説との類似点から同一系統とみる　

　「辛酉年は革命の年」というのは讖緯ｼﾝｲの説を基にして推古朝の史局で考案されたもの。※６０年に１回の辛酉の年が続いて、２１回目に大革命が起きるという説

８．神功皇后

　実在性、出自、三韓征伐、巫女的性格、皇后という地位、摂政の意味、応神天皇の生母等々から考慮点が多い人物。
（説１）神功皇后の「気長足姫ｵｷﾅｶﾞﾀﾗｼﾋﾒ」と新羅征伐の事績は７世紀半ばの斉明天皇の「天豐財重日足姬ｱﾒﾖﾄﾖﾀｶﾗｲｶｼﾋﾀﾗｼﾋﾒ」と死後の新羅討伐（白村江の戦い）とに似せたとみる。
（説２）近江国坂田郡息長地方に伝えられた、水辺で神の子を出産し貴種を養育する高貴な巫女伝説に新羅との交戦が加味されたものとみる。
（説３）初期大和朝廷の対外政策を活躍した実在の皇后、と考え史実とみる。
（説４）息長地方の伝説的な巫女が仲哀天皇の皇后とされ、仲哀の死後に先帝の皇后として６９年に及ぶ統治を行った女帝の存在へ発展したとみる。
（説５）日本書紀は暗に神功皇后を卑弥呼に比定している。

９．倭

　従来「倭」を日本列島とそこに住む人々のこととしてきた。仔細に中国や朝鮮の文献をみると、四つの倭がある。
　　中国北方の倭
　　　　戦国時代の「山海経」によると「倭は燕に属す」とある。
　　　　内蒙古東南部～遼寧省北部にあたる。
　　中国南方の倭
　　　　１世紀末の「論衡」に中国南部に住んでいた。
　　　　周の時代、天下は太平で、倭人がやって来て暢草ﾁｮｳｿｳを献じた。とある
　　南朝鮮の倭
　　　　「漢書」に記され、「後漢書」には金印を与えられたとある。
　　　　夫、楽浪海中に倭人わじんあり、分かれて百余国と為る
　　日本列島の倭

１０．倭の五王

　４１３年～５０２年の間に度々南朝に遣使して爵号を要求する。
　通説では以下のように幾つかに比定される
　　　讃・・・応神、仁徳、履中
　　　珍・・・仁徳、履中、反正
　　　清・・・允恭
　　　興・・・安康、木梨軽皇子、市辺押磐皇子
　　　武・・・雄略
　上記以外には
　　　武の上表文中の「祖禰」を「祖の禰ﾐ」と読み珍として仁徳をあてる
　　　４３０年に遣使した倭王を五王とは別の王とする
　　　５０２年に梁から征東将軍の号を与えられたのは、別の武で清寧または武烈である

　遣使は通商目的ではなく、南朝鮮における権益を南朝に承認してもらい、高句麗と対峙するためである。貰った称号は高句麗や百済より低かった。
　もう一つの目的としては、国内支配の権威づけのためとする。

１１．木梨軽太子

　允恭天皇の皇太子。弟が穴穂皇子。二人は皇位継承を巡って争い、負けた軽太子は伊予に流され、穴穂皇子が即位して安康天皇となる。その後、雄略の即位まで骨肉の争いが続く。
　軽太子と穴穂皇子は実在したとする説や元来「軽矢・穴穂矢」にまつわる話をもとに後世作為された可能性が高い。
　軽太子の名代として設定された軽部は狩部の意で狩猟に関係する部であり、矢とは無縁ではなく、さらに軽部の作る矢が軽矢と呼ばれていたと考える。
　穴穂皇子（安康天皇）の宮居のあった石上穴穂あたりで製作された矢が穴穂矢であっただろう。

１２．和風諡号

　漢風諡号より古い。
　諡号と実名と尊号を混同しないことが重要。応神のホムタ、安康のアナホは実名。清寧のシラカノワカヤマトネコは在世中の尊号。
　諡号の類似性や共通性を分類したり、人名や神名と比べてみることも重要。
　記と紀で違う２種類の諡号や諡号を奉る慣習の始まり、殯の沿革、百済・新羅・高句麗の諡号選上や王統系譜についても考量する必要がある。

１３．王朝交替

　三王朝交替説
　　　騎馬民族征服王朝説が現れて、崇神・仁徳・継体の三王朝が注目された。
　九州東遷説
　　　応神が九州から東遷して三輪王朝・磯城王朝を倒した。
　河内王朝説
　　　河内出身の応神が王朝を打ち立てた。
　継体王朝説
　　　北方の豪族が皇位を簒奪した。
　葛城王朝説
　　　欠史９代が実在したする。

　余りにも興亡盛衰に終始して、古代の政治形態や社会発展についての考察が必要。

１４．葛城王朝

　二人のハツクニシラススメラミコト。
　通説
　　　神武・綏靖・安寧・懿徳・孝昭・孝安・孝霊・孝元・ 開化を架空とする
　　　崇神以降の宮址は三輪山山麓に固まっている
　鳥越説
　　　神武以降の宮址は葛城山から畝傍山にかけて固まっている
　　　葛城王朝と名付け崇神王朝によって倒されたとする
　　　　　天皇も宮址も実在性に乏しい

１５．吉備王国

　備前・備中は造山古墳・作山古墳等の巨大古墳地帯である、かつて大和朝廷と拮抗した独立的大勢力があって、吉備王朝と呼ぶ。
　「紀」応神２２年に吉備の大酋長たちが兄弟であったと記されている、吉備の大酋長たちは平等な兄弟関係の系譜によって結合されていたと思われる。強力な世襲王権であったとは思えない。吉備の勢力は内部に矛盾や対立を抱えながら大和朝廷に対して独立性を保持していた、相対的な独立性であって王国であったかどうかは疑わしい。

１６．毛野

　上野・下野は毛野と総称され、上毛野君・下毛野君は君といったカバネを称している。
　上毛野氏の祖先伝承は応神朝に荒田別・巫別が百済から王仁を連れてきた、とある。仁徳朝に竹葉瀬と田道が新羅と蝦夷を討った、等とある。大和朝廷の外交・外征への参加が多い、これは記紀編纂時に作為されと思われ、毛野は大化に至るまで独立国として大和朝廷の配下ではなかった、とする説。
　安閑期に上毛野君小熊が朝廷と対立したという「紀」の記事を基に、６世紀にはまだ朝廷による支配が毛野にまで及んでいなかった、とする説。
　外征・外交に関する祖先伝承や「新撰姓氏録」にみられる帰化人との同族関係を評価して、上毛野氏は古くから朝廷の対外政策に参加し帰化人との接触も多く、外来の馬文化を積極的に取り入れた開明的豪族であった、とする説。
　上毛野氏は崇神天皇と紀国造の娘との間に生まれた豊城入彦を始祖としているので、上毛野氏の出身を紀伊に求める、説もある。

１７．飛鳥

　古代の飛鳥は現在の高市郡明日香村よりはるかに広く、稲淵山に源を発する飛鳥川の左右にわたって、東は細川山から香久山に連なる丘陵、南は高市村の北部から坂田・稲淵に及ぶ、西は白橿村の東部、北は鴨公村から香久山の西部に及んでいた。
　推古天皇がこの地の豊浦宮に即位してから元明天皇の初年まで、百数十年の間。孝徳・天智の２朝を除き、みな飛鳥の地を都とした。
　記・紀になどの伝承によれば、推古朝以前にも大和朝廷の大王たちはこの地に居を定めたことが有ったらしい。

１８．継体天皇

　武烈天皇なきあと、中央に皇位を継ぐべき適当な皇族がいなかったので、応神天皇の五世孫という老齢の男大迹王ｦﾎﾄﾞﾉｵｵｷﾐが越前から迎えられて河内で即位する。第２６代継体天皇である。
　その後、継体天皇は河内・山城を転々として、即位２０年目にして大和の磐余に居を定めた。
　応神の五世孫で地方出身であることといい、即位の事情と言い、長期間大和へ入らなかったことといい、継体の登場は幾つかの謎に包まれている。

　　皇位の簒奪者とする説
　　　・五世孫という出自をを疑問視し、先帝武烈の暴虐記事は継体登場の正当性を納得させるための虚構であるとみて、応神の五世孫と自称する北方の豪族が風雪に乗じて皇位を簒奪し、新王朝を開いたのが継体であるという新説が現れる。

　　皇位の簒奪者ではないとする説
　　　・「紀」には肝心の応神から継体に至る系譜が記されていない、そこで応神から継体に至る系譜を載せた「上宮記」逸文の用字法を検討して、この系譜が推古朝ごろの信憑性高いものであること
　　　・「紀」に系譜が記されていないのは別に系図一巻が付属されていたために省略されたこと
　　　・皇統と全然無縁な者が容易に皇位につけるとは考え難いこと

１９．両朝並立

　継体・欽明朝の内乱というのは、早く平子・喜田両氏が書紀紀年の乱れや朝鮮関係史料との関係から着目し提言していた、林氏が５２７年、磐井の乱後の全国的動乱や仏教伝来とのかかわりに視野を拡大して考察し直して提唱された。

　喜田氏の説
　　　継体天皇の崩御に先立って、欽明天皇を擁立した一族があり、これが継体朝を継いだ安閑・宣化朝と５３９年ごろまで対立していたというわけである。この両朝分立のもとにあたって、継体・安閑・宣化朝を支持した主勢力は大伴氏、欽明朝を支持した主勢力は蘇我氏といううのが通説である。

　反対の説
　　　蘇我氏は欽明天皇の側とだけしか婚姻関係を結んでいない。しかし安閑天皇の王宮は勾金橋宮ﾏｶﾞﾘﾉｶﾅﾊｼﾉﾐﾔ（今の橿原市金橋）、宣化天皇の王宮は檜隈廬入野宮ﾋﾉｸﾏﾉｲｵﾘﾉﾉﾐﾔ（高市郡明日香村檜前）であり、ともに蘇我氏の勢力圏内である。特に安閑天皇はその宮室を勾金橋（蘇我氏の本拠地）に営んだ最初の天皇であった。

２０．聖徳太子

　「紀」の推古元年（５９３年）四月条に厩戸皇子を皇太子とし、
　　　馬子と共に天皇を補佐する
　　　立太子したことは疑わしい（皇太子を立てることは大化以降に慣例化）
　　　６世紀以降の皇位継承候補には大兄制が創出されるが、
　　　　　争いが絶えないため大化以降に皇太子制に切り替える
　　　聖徳太子の時代は過渡期であり皇太子制は確立していない

２１．十七条憲法・三経義疏

　憲法の文体が推古朝の金石文と異なるため、偽作とする説は江戸時代からある

　津田によれば
　　　①国司や公民といった言葉は大化以前にはない
　　　②中央集権的官僚制に酷似しているとして律令制が整った後で制定された

　近年、推古朝では中央集権的官僚制の萌芽が整備されていたと見る説もある

　三経義疏のうちの一つ法華義疏は太子の自筆とされている。
　　　太子信仰が盛んになった天平時代に朝鮮から輸入されたものとする説

　太子自らが維摩経や法華経を読み聞かせたという故事も
　　　「魏志　世宗紀」の維摩経を講ずとあることから着想を得たと考える説

２２．法隆寺

　７世紀に聖徳太子が創建、天智９年４月に焼け落ちる

　昭和１４年に南大門の東から若草伽藍が発見され、再建設説が有力となる
　　　現法隆寺の伽藍配置とは異なる四天王寺伽藍（塔と金堂が一直線）

　　　五重塔の心柱下から出土した舎利容器の銀製透彫仏像の円光背から
　　　　　白鳳時代（７世紀末～８世紀初頭）の再建と考えられる

　飛鳥様式を伝える現存最古の木造建築であることに変りはない

　現法隆寺について、聖徳太子鎮魂の寺という新説が提唱される
　　　聖徳太子の後継者山背大兄王とその一家を殺害した天智や中臣鎌足らが、
　　　太子の怨霊をおそれるあまり鎮魂のために再建したという説

　現法隆寺の伽藍配置に関して、
　　　金堂と塔を東西に並置させているのは
　　　　　金堂に太子を、塔に釈迦の舎利を安置したため
　　　伴って中門の中央に柱を置き、
　　　　　それによってそれぞれの入口の意味をもたせたという説

２３．高松塚

　古墳が築造された７世紀末～８世紀初の間に死亡した人物
　　　璧画の蓋の色（深緑）からかなりの貴人
　　　人骨と歯の鑑定から筋付たくましい大柄の３０歳以上の熟年の男子

　高松塚は蔽原京の朱雀大路を真南に延長した線上にほぼのり
　　　天武・持統合葬陵や文武陵などがこの線上にあり聖なるラインと呼ばれる

　　　天武天皇に繋がる皇族説
　　　　　被葬者も天武天皇につながる泉族とみて
　　　　　　　当初から天武の皇子忍聖親玉が有力候補にあげられる
　　　　　　　天武の皇子高市皇子、同じく弓削皇子、天武の異母兄弟蚊屋皇子

　　　貴族高官説
　　　　　死亡時大納言で右大臣を追贈された大伴御行が有力視されている
　　　　　かなり高齢で没した左大臣石上麻呂という説

　高松塚は帰化人の多い檜前に位置し、壁画が高句麗の古壕の壁画に似ている
　　　当時の画師は帰化人が多くを占めていたので

　　　高句麗や百済の亡命王族説
　　　帰化人有力者とする説

　　　これらの諸説は以下の理由で有力視されていない
　　　　　壁画の蓋の色と大宝令に規定された色とが矛盾する
　　　　　すでに他所に墳墓がある
　　　　　文献上の明証を欠く
　　　　　没年があまりにも高年過ぎる
　　　　　事衷誤認に基づく

２４．大化の改新

　戦前は皇権回復説、文化運動説、社会革命説等、戦後は律令制の起点とみる政治改革説

　近年、大化改新は蘇我氏討滅のクーデターにすぎず、
　　　律令制は白村江の敗戦と壬申の乱が契機となって天武朝以後に成立した
　　　大化改新は『紀』編者の虚構であるとする説

　　　大化改新詔には大宝律令の条文の影響がみとめられ、
　　　　　改新のスローガンであった公地公民制も天武・持統朝に整備されている

　　『紀』の史観からの解放という点で虚構論は非常にすぐれたものである
　　　　弱点は史料批判に武断が目立つ

　　　　蘇我氏打倒ののち、ただちに飛鳥から難波へ遷都していることは、
　　　　　　なんらかの政治改革を指向していたことを物語る

　改新肯定論　　
　　　難波宮趾の発掘の結果、大化の難波遷都は事実であった
　　　　　その規模と様式から中国の都城をまねた最初のもの

　　　私地私民の収公は否定するが、
　　　　　改新に王民制から公民制への転換期としての意義を認める

　今後は、大化改新はなぜ行わなければならなかったか、
　　　どんな改革であったのかを理解するためには
　　　農民を在地で直接に支配していた国造層の動向などを追求する

２５．国譲り神話

　古代出雲の大和朝廷への服属過程をどうみるかということ
　　　タカミムスヒノミコトとアマテラスオオミカミの命をうけて、
　　　タケミカヅチ、フツヌシの両神が葦原の中つ国に派遣されるが、
　　　その中つ国はオオクニヌシノミコトの治める国であり、
　　　出雲国の伊那佐の小浜が国譲りのフィナーレの場所となった

　服属されるべき葦原の中つ国は記紀神話においては出雲の地であった
　　　出雲は被治者、高天原は治者としての統一を神話化したとする説
　　　大和の出雲族の出雲国内への移住を反映したとする説
　　　出雲東部の意宇ｵｳの勢力が大和朝廷の助力を得て、
　　　　　西部の杵築ｷﾂﾞｷ勢力を滅ぼし、国造に成長していった史実とする説
　　　東の大和に対して西の隅の出雲に代表される二元的対立が根底にあって
　　　　　その神話的象徴化が国譲りに他ならないとする説
　　　騎馬民族による征服王朝樹立の過程で、
　　　　　外来の天つ神が、日本列島に原住していた国つ神ー倭人を
　　　　　出雲において征服念し懐柔したとする説

２６．天孫降臨

　天から神や祖先が降臨したという伝承は種々伝えられている
　　　『出雲国風土記』には
　　　　　天乃夫比命ｱﾒﾉﾌﾋﾉﾐｺﾄの天下り
　　　　　宇夜都弁命ｳﾔﾂﾍﾞﾉﾐｺﾄ天下り

　　　『常陸国風土記』には
　　　　　普都大神ﾌﾂﾉｵｵｶﾐの天下り

　物部氏の祖神饒速日尊ﾆｷﾞﾊﾔﾋﾉﾐｺの降臨伝承（紀による）
　　　饒速日尊は天磐船に乗って天下り
　　　のちに神武天皇の大和平定に際し、衆を率いて帰順する

　『先代旧事本紀』の「天孫木紀」による
　　　饒速日尊は天神から
　　　魂振ﾀﾏﾌﾘの神器天璽瑞宝十種ｱﾏﾂｼﾙｼﾐｽﾞﾀｶﾗﾄｸｻを授けられ

　　　３２神および５部、さらに２５部の物部を従え
　　　船長・梶取・船子の運転する天磐船に乗って河内国哮峰ｲｶﾙｶﾞﾀﾞｹに下り
　　　ついで大和の鳥見の白庭山に遷り住み
　　　長髄彦の妹三炊屋媛を娶って美真手命ｳﾏｼﾏﾃﾞﾉﾐｺを生んだが
　　　饒速日尊は早死にしてまた天に帰っていった

　『先代旧事本紀』は物部氏関係者の手によって９世紀に作られ
　　　『記紀』にみられぬ独自の記事も含まれており
　　　饒速日尊の降臨伝承も物部氏が独自に伝えていた祖神伝承である

瓊瓊杵尊ﾆﾆｷﾞﾉﾐｺﾄの降臨神話に匹敵する、あるいはより古い降臨伝承と言える

２７．皇祖神

　天照大神は皇祖神であることには間違いないが
　　　太陽神である、伊勢神宮に祭られている、最高の地位にのぼる
　　　これらの理由ついては、さまざまな方面から研究されている

　もう一柱の皇祖神としての高皇産霊尊ﾀｶﾐﾑｽﾋﾞﾉｶﾐに注目する
　　　増化三神の一柱で、またの名を高木神ﾀｶｷﾉｶﾐという
　　　この神は天孫降臨、国譲り、神武東征など大事な場面に
　　　天照大神と並んで種々の命令を下す司令神としてしばしば登場する
　　　かなり尊貴な神として描かれている

　　　高皇産霊尊の司令神としての役割に注目し
　　　さらに又の名高木神の名義を朝鮮の檀君などと同じく
　　　山上や高い樹木に降臨する神と解釈することによって
　　　高皇産霊神こそ天皇族に固有な祖神であり
　　　天照大神は天皇族が朝鮮を経て日本へ侵入する前の先住農耕歳との通婚の結果
　　　先住民族の文化万般が天皇族のなかに混入しして二元性が生じ
　　　皇族神についても高皇産霊尊と天照大神という二元性ができたとする説

　伊勢神宮の祭神は太陽神であった高皇産霊尊で
　　　それが後に新しい太陽神天照大神にとって変わられた説

２８．三種の神器

　皇位のしるしである鏡、剣、玉を三種の宝物とする初見は
　　　『日本書紀』神代巻（天孫降臨章第一の一書）である
　　　ここでは、ただ天照大神が皇孫に賜ったというふうにのみ示されている

　『記』でも八尺瓊勾玉ﾔｻｶﾆﾉﾏｶﾞﾀﾏ、八咫鏡ﾔﾀﾉｶｶﾞﾐ・天叢雲剣ｱﾒﾉﾑﾗｸﾓﾉﾂﾙｷﾞと三種

　『古語拾遺』では鏡・剣の二種神宝とし、「矛、玉自ら従う」といっている

　三種の宝物の観念が発展し一般化するのは、鎌倉時代から南北朝時代にかけて
　　　発展するのは、三を聖教とする宗教観念と仏教、儒教の影響がいちじるしく、
　　　秘儀的な解釈等も次々に現われる

　　　三種の宝物を「三種の神器」とよぷようになったのも南北朝時代以降で、
　　　争乱を背景とする神国思想の高揚とともに、
　　「三種の神器」の存在と意義が強調されるようになった

　三種の神器を、印欧語族のもっ思想体系である三機能分類と対応させて
　　　解釈する説が、比較神話学者から提出されている

　　　剣は戦士的軍事的な機能を持ち、鏡はアマテラス自身の御魂代であるから
　　　　　主権・祭政の機能を持ち
　　　玉は稲作を中心とする農業と関係しており
　　　　　生産的あるいは豊穣の機能を持つ
　　　三種の神器は異なる３つの社会的機能を有するとする説

　　　三種の神器は下記の神ともオーバーラップしている
　　　　　戦士的な機能のスサノオ
　　　　　主権的な機能のアマテラス
　　　　　生産的な機能のオオクニヌシ

２９．神の概念

　古代人は森罹万象あらゆるものに心霊を感じて信仰し崇拝してきた
　　　性格の異なる種々様々な心霊を
　　　これまた意味の異なる種々様々な言葉で表現した

　　　『記紀』を見ると、ほとんどの神名の末尾に神字を付してい る
　　　ヤマツミは山津見神、ククノチは久久能智神とい う具合にである

　　　『記紀』はあらゆる心霊を神名の末尾に神字を つけることによって
　　　カミという一語、神という一字で画一的統一的に表現し把握してい る

　　　性格のこ となるさまざまな神霊を総括的に観念しかつ表現している
　　　　　こうした森羅万象を総括的に思惟し表現することはいつ頃からか

　　　　　古くは種々様々な神霊を一括して観念することは未発達で
　　　　　神名の末尾に神字を付す習慣はなかった

　　　　　ところが中国の神思想の影響等によって、
　　　　　神名の末尾に画一的に神学を付して
　　　　　八百万の神霊を一括して表現できるようになった
　　　　　　　六世紀頃のことである

　あらゆる神霊をカミという一語、神という一字で表現し観念する
　　　神概念の成立は意外と新しいということである

３０．道教伝来

　道教は古代中国に起こった宗教で無病息災を願う民間の呪術に
　　　神仙思想や無意自然を説く老荘思想が加味されて成立した

　日本でも七世紀に広く行われていたが、仏教の伝来とは趣を異にする

　道教は教団を基礎に置く成立道教
　　　道観と呼ばれる道場を建て
　　　　　それを修業と布教の拠点とする道士がいる
　　　仏教や儒教のように
　　　　　外国の支配者から日本の支配者へと伝えられる

　民衆の中に食い込んだ道教信仰に支えられた民衆道教
　　　日本に伝来したのは民衆道教　
　　　渡来してきた民衆から日本の民衆へと伝えられていった

　　　日本固有の常世思想に少なからぬ影聾を与えた

　　　『紀』の皇極三年条に駿河の富士川のほとりに住む大生部多ｵｵﾌﾍﾞﾉｵｵｶが
　　　巫覡らとしめし合わせて、蚕を常世の神として祭れば
　　　富裕長寿の功徳があると言って村人に奨めたところ、またたく間に大流行
　　　朝廷は秦河勝に命じて大生部多らを処罰させたという話が載せられている

　　　これは大化前に巫硯を媒介とする
　　　　　道教の布教組織が形成されつつあったことを伝えている

　　　と同時に、そうした動きを支配者は弾圧しよう としたことを物語っている

　斉明天皇が多武峰に築いた両槻宮ﾌﾀﾂｷﾉﾐﾔは道観ではないかという説がある