気になる文章その１
We can extrapolate this trend to the year 2021 using Fourier features.
Fourier featuresってなんだ？フーリエ変換？フーリエ係数？？謎
うーむ。
時系列の周期成分を取り除くって一回やったな。
statsmodelsのdecomposeみたいなやつで。
フーリエはわかんないけど、この特徴量は使える。単純に前年値とか？
気になる文章その２
As discussed in
４冊の本売り上げを予測する。いいねー。久々だ。
学習データは、約７万行。
6 countries 2 stores 4 books
4years of data
no N/A
合計値で見てみると、
ベルギーとドイツがうれてて、ポーランドが最下位。
kaggleforkidsが一番売れてて、Recipebookが一番不人気。
kaggleMartのほうが売れている。
idea
売れるタイミングに周期性があるのか。月や曜日
国によって違うのか。祝日などもちがうし。
kid
Kaggle TPS Agosto.
E passato molto tempo.
なんか工場の水漏れとかを乾かして綺麗にする？機械（開発段階）
プロトタイプの成功・失敗を予測する。
train dataから見てみる。26列の26000行。
1行目はindex。
2行目は、プロトタイプ別かな。5種。AからE。 each 5000ish
column3
loading? min33 max 385 mean127
maybe loading time when star
Freezedが便利らしい。
toStringが入っていたり、copywithでクラスを不変にしたり、コンストラクター作ったり、json使うのが楽らしい。
下記で、必要なコードをいろいろと自動生成して使用する。
flutter pub run build_runner build --delete-conflicting-outputs
基本の使い方は、
part 'user.freezed.dart';@freezedclass User with _$User {
タイトルとサブタイトルも。リストを作って、
インデックスで抽出。
body: ListView.builder( itemBuilder: (BuildContext context, int index) { final title = titles[index]; final sub = subtitles[index]; return _menuItem(title, sub); }, itemCount: titles.length,),
