常連

## テーマ、知りたいこと
**社内勉強会でおすすめの方法はありますか？**

社内勉強会を活性化させるための効果的な方法についてお聞きしたいです。
特に、参加者のモチベーションを高めつつ、実務に活かせるスキルや、最近の技術トレンドを習得できるような勉強会の企画・運営方法について知りたいです。

## 背景、状況
現在、所属チームで週に一度の頻度で社内勉強会を開催しています。
しかし、勉強会のマンネリ化や業務との優先度の兼ね合い、参加者のモチベーション低下や学習内容の実務への活用の低さなどに課題感を感じています。

より効果的で、参加者主体のインタラクティブな勉強会形式を模索しており、みなさまのご経験や成功事例など、おすすめの方法について意見を伺いたいです。

例えば、以下のような具体的な内容について、ご意見いただけると助かります。
- 参加型の勉強会の進め方（例：グループワーク、ディスカッション、ハンズオンなど）
- テーマ設定の方法（例：アンケート、持ち回り、課題ベースなど）
- 参加者のモチベーション維持の方法（例：インセンティブ、表彰制度、成果発表会など）
- 学習内容の実務への活用を促進する方法（例：勉強会後の実践課題、成果共有会など）
- 実施頻度（例：毎週固定開催、不定期開催など）

どうぞよろしくお願いいたします。


社内勉強会でおすすめの方法はありますか？

フロントエンドの勉強にてReactの基礎部分を学習し、簡易的ですが一からFirebaseと連携させたチャットWebアプリを作成したりしました。
次にNext.jsについても学習しようと思いちょうどセールがやっていたので、UdemyのNext.jsを使用したハンズオン形式の講座を購入し進めています。
ただ講座内でいろんなツールを使用しており、コードを写経するのに必死になってしまい、結局何をやっているかがわからなくなり、うまく自分の中に落とし込めていない感じがしておりモヤモヤしています。
そこで下記流れで学習することで、身に着けることができるかと思っておりますが、
無駄に時間を使っているのかなとも思ってしまっております。
進め方は人それぞれかと思いますが、
みなさんが思う効率的な学び方があればお聞きしたく思います。

■学習の流れ
1．講座を見ながら写経し、一つのWebアプリを完成させる
↓
2．自分で入力したコードを見ながら、再度講座を見直し用語ややったことのポイントをまとめる
↓
3．同じツールを使用し、一から何かWebアプリを作成する。作成する上でわからないことがあれば、講座を見直し問題解決のヒントとしても活用する

プログラミングの学習方法について


### 前提
・この春エンジニアになったばかりのものです。
・現在C言語の勉強中です。
・主にソフトウエア開発に従事する予定です（現在研修中のため、具体的な業務内容はわかりません）

### 発生している問題・エラーメッセージ

どのような業務内容であろうとも、この知識は必ず必要であるというC言語関連の知識は何が挙げられるか、ご教授いただけないでしょうか。

### 調査したこと
・Cは他の言語よりハードウエア寄りの知識を要する、というふうに見受けられました。
個人的には、CがメモリやCPUとどう関わりあっているのか、などを勉強すると、結果的にプログラムを書く際にも簡潔なコード、メモリを気にしたコードの書き方ができるのかなと思いましたが、、、
（仮にそうだとして、ではどう言う勉強のルートがあるのだろうか、その一例でもお教えいただくと嬉しいんだが、、、）

【C言語学習法】最低限理解すべきこと/何がわからないかがわからない

タイトルそのままなのですが、プログラミングというよりは、仕事相談ですね。。。

まず私の状況としてはちょっとぼかしますけど

１）事務職として就職して、その後、VBAを覚えてVBAで仕事をするようになり、
　　やがてプログラミングに興味を持ち、社内で、VBAの仕事をする課に異動しました。

２）ただ、社内で自動レポート作成システムができ、代わりにVBAの依頼が全く来なくなり、これでは危ないと思い、PHPを覚えてがんばっているのですが、私のできるPHPの仕事がなく、上司も振りづらい状況が続いているんですね。
（チームで使っている依頼が全て乗っている画面で内容を見てもできると思えないんですよね）

３）ひとまず、今課で使っているクラウドの資格の勉強をしながら、（自習はOKなのです）運用保守の仕事をしているのですが、それが終わると暇になってしまって、時々上司になにかできることがないか聞いているのですが、ないんだよな。。。と言われて自習だけしている状況でまさに給料泥棒的な感じになってしまっています。
もしかするとシステムで使っているプログラミング言語が合ってない？気もしますが。。。

ちなみに私がいる課は、そのまさに社内で使われているシステムの運用保守と、開発をすすめているところです。（ちなみに課全体でリモートです。。。）

自習はしてもいいので問題はないのですが、開発もできない、働けないという状況が苦痛で。。。
こういう時どうやったら仕事が得られると思いますか？

ちなみに、私自身がおそらく、４０歳代で、教育や研修もない状態で、自分で自習しないといけない感じです。そのためクラウドの資格（今課で使っているので）を取得して、がんばろうとはしているのですが、それ以外で仕事が得られるコツみたいなのがありましたら、アドバイスを頂けると嬉しいです。

厳しいアドバイスになっても構いませんので先輩方のアドバイスをどうかよろしくお願いいたします。
転職も視野に入れていますが、とにかく実績がないことには話にならないので、まずは社内で頑張らないといけないかなと思っているところですのでひとまず転職以外でのアドバイスをいただけましたら幸いです。



社内で仕事をもらいたい

### 実現したいこと

C言語、win32APIを使用して、自動的に管理者権限でUACを出して実行するプログラムを書きたい。

### 質問
win32APIを学ぶに適した書籍はないか？　できるだけ新しいもので、かつ誤字誤植が少ない本が望ましい。

### 補足
①win32APIでなくても、.netframeworkでできるなら、それに適した本を紹介してほしい。
②できるだけ書籍が良いが、書籍以外に良い方法があるのなら、そちらも紹介してほしい。

### 質問対象
C言語で、win32APIを使ったプログラムが書ける人、もしくは自動的に管理者権限で実行してくれるようなプログラムが書ける人。

### 修正依頼を受けて
試したこと：　なし
調査：　ある程度調べたが、不完全な情報しかない。管理者権限で実行できるプログラムを公開しているサイトはあるが、なぜそのコードで動作するのか理解できない。
windowsAPIを使わないと以上のことができないという話を聞いたため。また、そのAPIを学ぶことができる書籍が見当たらないため。
複数アカウントに覚え無し。tetatailのアカウントは一つしか持っていない。
規約に基づいて、他の質問サイトのURLをはることとする
https://detail.chiebukuro.yahoo.co.jp/qa/question_detail/q12282973642
ランタイムが必要なく、exeのみで動くようなものを作りたい
UACを出すので、抜け道を探しているわけではない
「管理者として実行」項目を使わなくても、自動的に管理者権限で実行されるようにできないかという趣旨。

### 回答に対しての疑問
ショートカットとは？
プログラムが作れないから、書籍を探している次第。
具体的に回答してくれることを望む

C言語で、自動的に管理者権限で実行してくれるプログラムを書くための学習方法

## テーマ、知りたいこと

(kotlin + )spring bootでのサーバサイド開発を学習する上での、javaの知識の重要性、必要性。
またそこから、javaを学ぶべきかどうか。 

## 背景、状況
kotlin + spring boot は個人での開発経験あり。別言語経験あり(Ruby,C++)。

現在kotlin + spring bootを用いてサーバサイドを構築するという案件に参画しており、6月から実装フェーズとなるため、今のうちに似通った案件のリバースエンジニアリングを行うことでせめて使えるエンジニアになろうと足掻いています。
その事前準備を行う中で、やはりspring bootにはjava独特の考え方が多く(Beanなど)、spring bootを理解するにはjavaからアプローチした方が、以降spring bootでの開発を行うエンジニアのための学習としては効果的なのかなと考えるようになりました。（6月の開発フェーズに間に合わせるとかではなく、今後の話です）
みなさんはどのようにお考えになりますか？または実際にやってみての所感などをお聞かせ願いたいです。

kotlin + spring bootでのサーバサイド開発のためにjavaを学習する必要はあるか

モバイルネットV3で二値分類を使った学習についてです。
ファインチューニングもしているのですが、以下のコードです。

```python
import os
import pandas as pd
from sklearn.model_selection import train_test_split
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.applications import MobileNetV3Small
from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint
import matplotlib.pyplot as plt
import tensorflow as tf

# ハイパーパラメータ
image_size = (224, 224)
batch_size = 32
learning_rate = 0.0001
epochs = 100
fine_tune_at = -5

# データセットを格納するディレクトリへのパス
base_dir = 'C:/Users/admin/Documents/CNN_224/'

# 訓練データセット、検証データセットを配置するディレクトリ
positive_path = os.path.join(base_dir, 'cnn_a')
negative_path = os.path.join(base_dir, 'cnn_n')

# train_set.filenamesからファイルパスを取得
positive_files = [os.path.join(positive_path, filename) for filename in os.listdir(positive_path)]
negative_files = [os.path.join(negative_path, filename) for filename in os.listdir(negative_path)]

# データフレームを作成
positive_df = pd.DataFrame({'filepath': positive_files, 'class': 'positive'})
negative_df = pd.DataFrame({'filepath': negative_files, 'class': 'negative'})
df = pd.concat([positive_df, negative_df], ignore_index=True)

# 訓練データと検証データに分割
train_df, test_df = train_test_split(df, test_size=0.2, random_state=42)

# データの前処理とデータ拡張
train_datagen = ImageDataGenerator(rescale=1./255, shear_range=0.8, zoom_range=0.8, horizontal_flip=True)
test_datagen = ImageDataGenerator(rescale=1./255)

# データを読み込むためのジェネレータを作成
train_set = train_datagen.flow_from_dataframe(train_df, x_col='filepath', y_col='class', target_size=image_size, batch_size=batch_size, class_mode='binary')
test_set = test_datagen.flow_from_dataframe(test_df, x_col='filepath', y_col='class', target_size=image_size, batch_size=batch_size, class_mode='binary')

# モデルの構築
base_model = MobileNetV3Small(weights='imagenet', include_top=False, input_shape=(*image_size, 3))

# 最後のブロックの一部の層を解凍
for layer in base_model.layers[:fine_tune_at]:
    layer.trainable = False

# モデルに新しい出力層を追加
model = tf.keras.Sequential([
    base_model,
    tf.keras.layers.GlobalAveragePooling2D(),
    tf.keras.layers.Dense(1, activation='sigmoid')
])

# モデルのコンパイル
model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=learning_rate),
              loss='binary_crossentropy',
              metrics=['accuracy'])

# EarlyStoppingとModelCheckpointのパラメータ変更例
early_stopping = EarlyStopping(monitor='val_loss', patience=2, restore_best_weights=True)
model_checkpoint = ModelCheckpoint('best_model.h5', save_best_only=True, monitor='val_accuracy')

# モデルの概要表示
model.summary()

# モデルのトレーニング
history = model.fit(train_set, epochs=epochs, validation_data=test_set, callbacks=[early_stopping, model_checkpoint])

# モデルの保存先パス
model_save_path = 'C:/Users/admin/Documents/CNN_224/a1.keras'

# モデルの保存
model.save(model_save_path)

# 訓練損失と検証損失のグラフ
plt.figure(figsize=(12, 5))

# 訓練精度と検証精度のグラフ
plt.subplot(1, 2, 1)
plt.plot(history.history['accuracy'], label='Train Accuracy')
plt.plot(history.history['val_accuracy'], label='Validation Accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.ylim(0, 1)
plt.legend()

# 訓練損失と検証損失のグラフ
plt.subplot(1, 2, 2)
plt.plot(history.history['loss'], label='Train Loss')
plt.plot(history.history['val_loss'], label='Validation Loss')
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.ylim(0, 1)  # Y座標は0から1まで
plt.legend()

# グラフ上に数値を表示
print(f"最終訓練精度: {history.history['accuracy'][-1]:.4f}")
print(f"最終検証精度: {history.history['val_accuracy'][-1]:.4f}")
print(f"最終訓練損失: {history.history['loss'][-1]:.4f}")
print(f"最終検証損失: {history.history['val_loss'][-1]:.4f}")

plt.tight_layout()
plt.show()
```


●実行結果●

Found 3200 validated image filenames belonging to 2 classes.
Found 800 validated image filenames belonging to 2 classes.
Model: "sequential_71"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 MobilenetV3small (Function  (None, 7, 7, 576)         939120    
 al)                                                             
                                                                 
 global_average_pooling2d_7  (None, 576)               0         
 0 (GlobalAveragePooling2D)                                      
                                                                 
 dense_94 (Dense)            (None, 1)                 577       
                                                                 
=================================================================
Total params: 939697 (3.58 MB)
Trainable params: 112513 (439.50 KB)
Non-trainable params: 827184 (3.16 MB)
_________________________________________________________________
Epoch 1/100
100/100 [==============================] - ETA: 0s - loss: 0.6889 - accuracy: 0.5731
100/100 [==============================] - 80s 729ms/step - loss: 0.6889 - accuracy: 0.5731 - val_loss: 0.7155 - val_accuracy: 0.5275
Epoch 2/100
100/100 [==============================] - 66s 662ms/step - loss: 0.6816 - accuracy: 0.6153 - val_loss: 0.7061 - val_accuracy: 0.5275
Epoch 3/100
100/100 [==============================] - 68s 680ms/step - loss: 0.6662 - accuracy: 0.7319 - val_loss: 0.7009 - val_accuracy: 0.5275
Epoch 4/100
100/100 [==============================] - 67s 665ms/step - loss: 0.6411 - accuracy: 0.7066 - val_loss: 0.6971 - val_accuracy: 0.5275
Epoch 5/100
100/100 [==============================] - 65s 649ms/step - loss: 0.5886 - accuracy: 0.8319 - val_loss: 0.6939 - val_accuracy: 0.5275
Epoch 6/100
100/100 [==============================] - 67s 664ms/step - loss: 0.5381 - accuracy: 0.8397 - val_loss: 0.6931 - val_accuracy: 0.5275
Epoch 7/100
100/100 [==============================] - 66s 657ms/step - loss: 0.4948 - accuracy: 0.8697 - val_loss: 0.6923 - val_accuracy: 0.5275
Epoch 8/100
100/100 [==============================] - 64s 644ms/step - loss: 0.4434 - accuracy: 0.8844 - val_loss: 0.6918 - val_accuracy: 0.5275
Epoch 9/100
100/100 [==============================] - 65s 649ms/step - loss: 0.3913 - accuracy: 0.8994 - val_loss: 0.6923 - val_accuracy: 0.5275
Epoch 10/100
100/100 [==============================] - 68s 682ms/step - loss: 0.3495 - accuracy: 0.9106 - val_loss: 0.6930 - val_accuracy: 0.5275
最終訓練精度: 0.9106
最終検証精度: 0.5275
最終訓練損失: 0.3495
最終検証損失: 0.6930
![イメージ説明](https://ddjkaamml8q8x.cloudfront.net/questions/2024-01-15/659dcb8e-2a08-44e6-9eb2-f12d79b60c06.png)

このように出たのですが、最終的には訓練データは悪くない結果なのですが、val_lossと val_accuracyが一定になってしまいます。これは何が足りないのでしょうか？学習率、学習回数、ファインチューニングの層（最後のブロックの一部の層を解凍）の設定などいろいろしても何も変化がありません。

もしかしたらプログラミングが間違っている可能性が高いです。自分がやりたいのはモバイルネットV3を使ってファインチューニングして二値分類（正解画像と不正解画像を分類する）モデルを作りたいと考えています。誤差関数は二値交差エントロピーで出力層の出力関数はシグモイド関数です。

正解画像と不正解画像は2000枚ずつ訓練データを用意しています。

改善点やプログラムの修正点があれば教えていただきたいです。

CNN学習　モバイルネットV3をもとにファインチューニングを行い二値分類で正解画像と不正解画像を分類するモデルを作りたいが、学習がうまくいかない。検証データが一定になる

## テーマ、知りたいこと

現在未経験からエンジニアに就職して１年が経過しました。
自分は現在C#.netを扱うweb開発でのバックエンド、API関連の職場にて簡単な新しいサービスの作成、テスト業務、既存サービスの改修などを行っています。
質問なのですがC#.netを個人で学習するさいに勉強する教材になるものがすこし物足りない気がしてしまっています。
udemyや海外の英語のサイトを翻訳を使用して学習をしているのですが、翻訳を通すと自分の理解力が足りてない部分や日本語の教材では.netを使った深い部分まで触れたものがなく困っています。
また、web開発という大枠での知識やプログラミングに関する根本的な知識が足りないと自覚しています。
そこで他の言語を使用してweb開発自体を個人的に学習していくことは悪いことなのか、その時間をC#.netに当てたほうがいいのか分からず迷っています。



## 背景、状況

職場の先輩方は自分より経験年数も長く経験年数が近しい方が少なく、日本語が第一言語では無い方が多くすこし教えづらそうにしていて自分でもっとスキルアップをしていきたいです。

自分の考えとして
・これまで通りudemyや海外のサイトを使用してC#.netの学習を続ける
・他言語になってしまうがweb開発をもっとわかりやすく学べるものを使用する
・他の案を考える

上記のいづれかで考えています
皆様の考えや、体験談などお力添えをいただければと思います。よろしくお願いします。

