テクノ大福帳

本記事では Firebase を使ったアプリ開発を始めるときに最低限押さえておきたい基本的な構成要素（プロジェクト、アプリ、アカウント）を、GCPとの関係についても簡単に触れながら見ていきます。 【目次】 ［１］はじめに ［２］Firebase を利用するための予備知識 （１）Firebase の基本的な構成要素 （２）料金プラン ［３］Googleアカウントと Firebase コンソール （１）Firebase を利用するGoogleアカウントの準備 （２）Firebase コンソールへログイン ［４］プロジェクト （１）Firebase のプロジェクトを概観する （２）プロジェクトの作成 （３）プロジェクト情報の確認 （４）プロジェクトの削除 （５）複数のGoogleアカウントでプロジェクトを管理（共有）する （６）サービスアカウントの作成 ［５］アプリ （１）アプリを概観する （２）アプリの登録 （３）アプリの構成情報の確認 （４）アプリの削除 ［６］利用するサービスの設定 ［１］はじめに Firebaseは、「モバイル・Webアプリケーション開発プラットフォーム」（ Wikipediaより ）です。 Firebase https://firebase.google.com/?hl=ja Firebase は「構築」「リソースとモニタリング」「エンゲージメント」といったアプリのライフサイクルの多くをカバーするサービスを多数提供しています。モダンなアプリを開発する際にはとても重宝するサービスだと思います。 ところで、部分的に Firebase を使うことは難しいことではないのですが、Firebase のサービス内容やアプリ開発に関することが多岐に渡るため、全体像の把握が難いと感じることもあります。 そこで本記事では手始めとして、Firebase を使ったアプリ開発を始めるときに最低限押さえておきたい基本的な構成要素（プロジェクト、アプリ、アカウント）を取り上げます。 また、Firebase はGCP（Google Cloud Platform）上に構築されていますので、GCPとの関係についても簡単に触れることにします。 （追記：2021/12/13） 本記事は Firebase コンソールを中心に書いていますが、Firebase

教師付きの機械学習サービスである Google AutoML Tables を使って、クレジットカードの利用明細（CSVファイル）から家計簿の勘定科目を予測してみます。第５回目の本記事では、試行錯誤して感じたことをメモします。 【目次】 ［１］はじめに ［２］トレーニングデータのテキストの扱い （１）実験１：カテゴリ型 （２）実験２：Unicode正規化 （３）実験３：さらにトークンを増やす ［３］実験結果 （１）翌月50件のデータで試してみる （２）モデルの評価指標 （３）特徴量の重要度 （４）モデルタイプとサイズの違い ［４］特徴の変更 （１）新しいデータセットの作成 （２）モデルの評価指標 （３）特徴量の重要度 （４）混同行列 （５）翌月50件のデータで試してみる ［５］使ってみた印象 （１）AutoML Tables の印象 （２）自分用の勘定科目判定に関する印象 ［６］最後に ［１］はじめに 本記事は、前回の記事『 Google AutoML Tables の機械学習を使ってカード利用明細から家計簿の勘定科目を予測する（4）Docker 環境で予測 』の続き（第５回：最終回）です。 第2回から第4回の記事で、学習から予測まで、主にAutoML Tablesの使い方を中心に見てきました。使い方が分かればより精度よく予測するために、いろいろと試行錯誤したくなります。 そこで本記事では、試行錯誤したことや感想をメモします。とはいっても、無料トライアル枠内でやれた範囲であるため、試したことは限られますが… ところで自分用の実験メモといった内容の記事なので、かなり冗長です。このため、 ［５］使ってみた印象 だけお読みいただいたほうが良いかもしれません… 第1回 準備 第2回 トレーニング 第3回 AutoML Tables 環境を利用したバッチ予測、オンライン予測 第4回 モデルをエクスポートしてローカルDocker環境で予測 第5回 モデルの評価と改良 ［２］トレーニングデータのテキストの扱い 第１回 の記事で準備したトレーニングデータは、以下の