本の紹介記事リスト

モデリング、オントロジー、セマンティックウェブなど


セキュリティなど

プロジェクト管理など


日本語の書き方や論理思考など

コメント

コメントを投稿

このブログの人気の投稿

オントロジーエディタ Protégé を使ってみる

イメージ
本記事では、デスクトップ版の Protégé のセットアップと、オントロジーの可視化、推論などの使い方を簡単に見ていきます。 【目次】 ［１］はじめに ［２］Protégé Desktop のセットアップ （１）Ubuntu でのインストール手順 （２）起動確認 （３）起動用ショートカットの作成 ［３］オントロジーの可視化ツール （１）OWLViz （２）OntoGraf （３）ProtégéVOWL ［４］推論：Reasoner （１）推論の実行 （２）Pellet の利用 ［５］その他 （１）Automatic Update の設定 （２）オートコンプリートの利用 （３）エンティティのレンダリング設定 （４）メモリ設定（2022/7/31追記） ［１］はじめに Protégé はスタンフォード大学で開発されているオープンソースのオントロジーエディタです。 Protégé https://protege.stanford.edu/ Welcome to the Protégé wiki! https://protegewiki.stanford.edu/wiki/Main_Page Protégé Project (GitHub) https://github.com/protegeproject/ Protégé を使えば、Web オントロジー言語である OWL（Web Ontology Language）を対話的かつ視覚的に扱うことができ、HermiT や Pellet などの推論も利用できます。 Protégé は大きくWeb版とデスクトップ版がありますが、本記事ではデスクトップ版を見ていきます。 デスクトップ版には Web版のようなコラボレーション機能はありませんが、オントロジーエディタとしての機能面はWeb版より充実していると思います。 記事『 Pythonでオントロジー指向プログラミング（Ontologies with Python: Programming OWL 2.0 Ontologies with Python and Owlready2） 』で紹介した本では、Owlready2 の説明の前にデスクトップ版 Protégé を使ってオントロジーを作成するところから始まります。 Protégé を使わず OWL を...
続きを読む

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

イメージ
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４回目の本記事では、モデルをエクスポートしてAutoML Tables 以外の環境で予測する方法を見ていきます。 【目次】 ［１］はじめに ［２］エクスポートして予測する基本的な流れ （１）概要 （２）【参考】Google Cloud Runで動かす場合 ［３］モデルのエクスポート （１）エクスポート手順 （２）エクスポートしたモデルのディレクトリ階層 （３）【参考】モデルの保存形式 ［４］ローカル実行環境の準備 （１）Vagrant＋Ubuntu 20.04 LTS 環境の構築 （２）Dockerのインストール ［５］AutoML Tables モデルサーバの準備と起動 （１）Cloud SDK のインストール （２）エクスポートしたモデルのダウンロード （３）AutoML Tables モデルサーバのダウンロード （４）AutoML Tables モデルサーバの起動 （５）【参考】新たにDockerイメージを作成して実行 ［６］予測 （１）基本的な使い方 （２）curl を利用した実行例 ［７］引き続き… ［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（3）予測 』の続き（第４回）です。 AutoML Tables で作成した機械学習モデルを使った予測方法として、大きく以下の２つ AutoML Tables が提供（管理）する実行環境で予測 バッチ予測 オンライン予測 AutoML Tables 以外の環境で予測 機械学習モデルをエクスポートして、外部のDocker環境で予測する があります。 前者の「AutoML Tables が提供（管理）する実行環境で予測」については前の記事で概観しました。この方法は有償サービスではありますが、面倒な環境構築などは不要といったメリットがあります。 これに対して、後者の「AutoML Tables 以外の環境で予測」は、AutoML Tables で作成した機械学習モデルをエクスポートして、AutoML Tables 環境以外でモデルを...
続きを読む

Schema.org の語彙で RDFS 推論してみる(１)：準備

イメージ
本記事ではWebから得られる現実の簡単なデータを例に、ツールを使って SemanticWeb 技術（特に情報統合や推論）を概観します。 【目次】 ［１］はじめに ［２］Webから取得したJSON-LDをRDFLibで利用する （１）RDFLibへ読み込むコードの準備 （２）実行して結果を可視化してみる （３）SPARQLを使った検索例 ［３］ここまでのまとめ：推論に向けて ［１］はじめに 以前の記事で、Webページに埋め込まれたJSON-LDファイルをRDFLibに読み込むところまで見ました。 しかし JSON-LD は、「そもそも扱いやすいJSON形式なのだから、JSONとして扱えば十分じゃない？」といわれれば、（特定の構造を扱うだけなら、）それはその通りです。 一方で、多くのWebサイトから情報を収集して、様々な再利用を考えるなら（多様なデータを扱うなら）、その考え方はかなり面倒なことも背負うことになります。 具体的には、Schema.org の語彙を使ってマークアップされた JSON-LD を扱うとしても、本記事の執筆時点で、Schema.org のサイトによると797のクラス、1453のプロパティが定義されているようです。 Wikipediaやブログの記事だけではなく、レストランや観光地の情報、イベントや求人その他、多様な情報が Web にはあふれています。 そして時代に応じて Schema.org の語彙は増えていきますし、それに伴って多様性も増していきます。 しかも、Web コンテンツに含まれる JSON-LD に記載される内容は、Web コンテンツ制作側が決めるものなので、開発側がコントロールできるものではありません。 こうなってくると、与えられた情報構造を直接解釈する方式で対応するのは厳しいと思います。（厳密なスキーマに基づく手法は厳しくなってくると思います。） これに対して、与えられた情報構造をそのまま扱うのではなく、もう少しメタレベルの構造を基礎として多様な情報に対応していくアプローチが考えられます。 そのような技術に SemanticWeb があります。 Wikipedia: セマンティック・ウェブ SemanticWeb 技術も『銀の弾』ではないと思いますが、シナリオによっては非常に有効な技...
続きを読む