GitHub Codespacesとは、GitHubが提供するクラウドホステッド開発環境を指します。GitHubのウェブサイトから起動することが可能で、ウェブベースの統合開発環境（IDE）として用いることができます。フロントエンドにコードを展開することなく、ウェブブラウザだけで開発することが可能です。

【参考】：[GitHub Codespaces](https://github.co.jp/features/codespaces)
【参考】：[GitHub Docs: GitHub Codespaces](https://docs.github.com/ja/codespaces)

分かりやすく言うと、**タブレットやPCなどのクライアントにブラウザさえあれば、クリック1つで開発環境が起動し、すぐに開発作業に入ることができるというサービスです。**

IDEとは？詳細やメリット、おすすめのIDEを紹介します！

GitHubとは、オープンソースやプライベートリポジトリベースの、ソフトウェア開発プラットフォームを指します。*ソースコードをホスティングすることで、多くのソフトウェア開発者が連携してコードをレビューする開発プロジェクトとして利用されます。*日本語サイトも公開され、開発者に利用されています。

【参考】：[GitHub Japan](https://github.co.jp/)
【参考】：[GitHub ブログ](https://github.blog/jp/)

GitHub Codespacesは、*VS Code（Visual Studio Code）のバックエンド処理を高速に行うだけではなく、VS Codeの機能をフル活用し、ローカル環境と同等の操作感を得ることができます。*Docker-composeを用いることで、コンテナベースの開発環境を整備し統一することもできます。

あらかじめプリビルド構成を作成し、簡単に開発環境をセットアップ管理する機能も追加されました。この機能では、環境構築時間を短縮することができるメリットがあります。2022年2月よりパブリックベータ版が提供されていましたが、2022年6月に正式リリースとなりました。

【参考】：[Prebuilding codespaces is generally available](https://github.blog/2022-06-15-prebuilding-codespaces-is-generally-available/)
【参考】：[GitHub ブログ: GitHub Codespacesのプレビルド機能がリリースされました](https://github.blog/jp/2022-06-27-prebuilding-codespaces-is-generally-available/)

*GitHub Codespacesは、ウェブブラウザだけで開発することができます。*そのため、iPadなどのタブレットやChromebookのように、VS Codeデスクトップのインストールをサポートしていないデバイスを用いた開発も可能です。

VS Code拡張機能に対応しますので、ローカルのVS Codeと連携させることもできます。整備した開発環境は、Dev containerの仕組みによりコード化し、共有することができます。

GitHub Codespacesの料金プランですが、現在GitHub TeamsとGitHub Enterprise Cloudユーザーのみに提供されています。VMごとに課金されており、最小構成が2コア・4GBメモリで時間あたり0.18USドルです。最大構成時は、32コア・64GBメモリで時間あたり2.88USドルです。このほか、ストレージ使用量でも課金されます。

【参考】：[GitHub Codespaces](https://github.co.jp/features/codespaces)
【参考】：[GitHub Codespaces の支払いについて](https://docs.github.com/ja/billing/managing-billing-for-github-codespaces/about-billing-for-github-codespaces)

個人向けFreeプラン（無料）のユーザーには、現在Codespacesベータ版のみが提供されています。*将来的には、無料で個人向けに提供される予定です。*

2021年8月11日・同30日のBlogでは、*GitHub開発チームでもCodespacesを利用していることが公表されました。*Blogによると、従来はインフラのメンテナンスに際し環境維持と構築に多くの時間を費やしていたとのことです。
【参考】：[GitHub’s Engineering Team has moved to Codespaces](https://github.blog/2021-08-11-githubs-engineering-team-moved-codespaces/)
【参考】：[GitHub開発チームでのCodespacesの利用](https://github.blog/jp/2021-08-30-githubs-engineering-team-moved-codespaces/)

GitHubではCodespacesの導入により、タスクごとに開発環境をオンデマンド構築することが可能になったと公表しています。従来の作業が45分から5分に短縮し、さらに設定済みプリビルド構成のCodespacesを用いることで10秒に短縮しました。
【参考】：[GitHub開発チームでのCodespacesの利用](https://github.blog/jp/2021-08-30-githubs-engineering-team-moved-codespaces/)

このことからCodespacesでは、*開発環境構築を素早く簡単に提供することで、利用者は開発作業に注力し生産性向上が期待できると考えられます。*

*GitHub Codespacesは、GitHubアカウントがあれば利用可能です。*個人アカウント向けにはベータ版が提供されます。ベータ版は申し込み登録後、GitHubの承認手順を経て利用通知が届く仕組みです。詳細な使い方は以降で解説していきます。

【参考】：[GitHub Docs: Deep dive into GitHub Codespaces](https://docs.github.com/ja/codespaces/getting-started/deep-dive)

利用に際して、最初にCodespaceを作成します。*ウェブやCLIを用いて、ご利用のリポジトリや履歴から作成します。*

具体的には、GitHubのリポジトリのメインページに表示されている、リポジトリ名の「Branch」ドロップダウンメニューから作成するBranchを選択します。そこで「<> Code」のボタンをクリックし、「Codespaces」のタブから「Create codespace on master」を選択することで作成を行います。

【参考】：[GitHub Docs: codespace を作成する](https://docs.github.com/ja/codespaces/developing-in-codespaces/creating-a-codespace)

*Codespace作成時に必要に応じて、マシンタイプ等の構成を変更することも可能です。*構成が決まったら、「Start session」で作成処理を開始します。このCodespaceの作成は、VS Codeから作成することもできます。VS Codeデスクトップ版で利用するには GitHub Codespaces拡張をインストールしておきます。

【参考】：[GitHub Codespaces](https://marketplace.visualstudio.com/items?itemName=GitHub.codespaces)

### Codespaceの設定とセットアップ

Codespaceの作成によって、VMとストレージが割り当てられます。その後、開発環境で利用するコンテナが作成されます。作成時には、*リポジトリ内のdevcontainer.jsonファイルやDockerfileで定義できる設定が用いられます。*devcontainer.jsonファイルにより、codespace作成後の自動セットアップも可能です。

Codespaceの停止は、VS Codeのコマンドパレットから行うことができます。stopコマンドを実行せずにブラウザのタブを閉じるなどを行った場合は、非アクティブウィンドウの状態に遷移し、デフォルトでは30分後に停止します。

GitHub Codespacesは、インスタンス稼働時間で利用料が課金されます。*無駄な支払いを防ぐためには、明示的に停止することをおすすめします。*

Codespaceの削除は、GitHubのメニューから「Your codepaces」を開きます。ここで「・・・」から「delete」をクリックすることで、作成したCodespaceを削除することができます。

GitHub Codespacesは、アカウントのすべてのCodespacesストレージ使用量の合計で請求されます。*無駄な支払いを防ぐためには、不要なCodespaceはこまめに削除することをおすすめします。*

## 開発環境構築が手軽にできます

GitHub Codespacesでは、クリック1つで開発環境が利用開始できるメリットがあります。VS Codeデスクトップ版に対応していないタブレットでも気軽に開発を行うことができます。バックエンドにVMとストレージが割り当てられるので、お手軽です。**その効果を1度体験するとVS Codeベースの開発に弾みがつき、おすすめの開発方法と言えます。**

GitHub Codespacesは、タブレットやPCなどのクライアントにブラウザさえあれば、クリック1つで開発環境が起動し、すぐに開発作業に入ることができるサービスです。ここではGitHub Codespacesの概要と特徴、そして使い方について解説していきます。

GitHub Codespacesは、ブラウザさえあればタブレットでもPCでも開発が始められます

クリック1つで開発環境が起動し、すぐに開発作業に入ることができるので生産性が向上します

現在、個人向け無料プランはベータ版のみですが、将来的には、無料で正式提供される予定です

GitHub Codespacesで手軽に始めるソフトウェア開発。料金や使い方も解説

FP法とは「ファンクションポイント法」の略で、1979年に米国IBMのAllan Albrecht氏により考案されました。**FP法の目的は誰が見積もりの計測を行っても同じ結果が得られ、見積もり作業のばらつきを抑えることです。**そのため、ソフトウェア開発の生産性を測定するためのユーザー要件を、ファンクションとして定義しカテゴリー化することで、*見積もりの平準化を行います。*

### FP法で定量化できるのは機能要件

**FP法では機能要件とその他の要件を分類して計算することで、正確な見積もりを出すことができます。**FP法はデータ構造によって規模を見積もっているため、システムのデータやファイルが明確である機能要件が見積もりの対象です。*機能規模では、非機能要件や技術者要件を含みません。*

FP法ではシステムの機能を「ファンクション」と呼び、そのファンクションごとに点数を定めています。そのため*誰が見積もりをしても、ファンクションの数を数えるだけでシステム規模の見積もりが同等に実施できます。*そのファンクションはシステムの実装形式による違いがなく、従来のオンプレミス（所有型）でもクラウド（利用型）でも同じスコアとなります。

同様にシステム開発の形式にも依存しないので、新規開発でもパッケージ利用でも同等の結果となります。さらに開発手法においても、従来型のウォータフォールモデルでもアジャイル型でもスコアに差がありません。もちろん、開発言語にも依存しません。

アジャイル開発の特徴、メリット・デメリット、DXとの関係など

### FP法のファンクションの詳細

FP法ではファンクションをデータ処理に関する「トランザクションファンクション」と、データ格納に関する「データファンクション」に大別して集計されます。各区分のファンクションごとに点数を定めているため、*点数表に集計すると合計のスコアが簡単に求められます。*

各機能はそれぞれ、外部入力（EI）・外部出力（EO）・外部照会（EQ）・内部論理ファイル（ILF）・外部インターフェイスファイル（EIF）に分類し算出されます。

FP法の計算手順は以下のようになります。

*（1）扱うデータを5つのファンクション型に分類*

　外部入力（EI）、外部出力（EO）、外部照会（EQ）、内部論理ファイル（ILF）、外部インタフェースファイル（EIF）の5分類

*（2） 扱うデータごとに、「データ項目数」とそのデータに関連する「レコード種類数」を集計*

　データのファンクションの複雑さを3段階（低・中・高）に分類

*（3）システム全体の未調整FPの計算*

　各データに3段階のファンクションの複雑さに応じた未調整FP（調整係数）を掛けて合計

*（4） システムの特性の合計値を計算*

　システム特性を14の観点から0から5の6段階で評価

*（5） システム特性係数の計算*

　　VAF：Value Adjustment Factor、システム特性係数

　　TDI：Total Degree of Influence、システム特性の合計値

## FP法のメリット・デメリット

ここでは、FP法を活用するうえでのメリット・デメリットをそれぞれわかりやすく説明します。

FP法のメリットは、誰が算定しても同等の結果が得られるため、見積もり作業のばらつきを抑えることができます。同様に、プロジェクト期間中に仕様変更が生じた場合もFP数が変わることを指標として算定できるため、**要件変動による影響をあらかじめ可視化することが可能です。**

また、求める品質評価の目標値をFP法で設定することにより、品質の評価がより簡単に実施できるメリットがあります。

FP法は便利な見積もりの手法ですが、決して万能という訳ではありません。*過去に事例のない機能は評価が難しい・複雑な入力機能と単純な入力機能の見極めができないため同じ数値になってしまう・非機能要件は数値化できない*、といったデメリットが挙げられます。FP法をしようする際は、これらのデメリット部分も理解しておきましょう。

FP法は工数の見積もりだけでなく、プロジェクトサイクル全般で活用できます。具体的には*見積もりやその評価、工数管理・品質管理や進捗管理、ベンダーの評価や運用評価、ソフトウェア資産管理や投資対効果の評価等*、多岐に渡ります。

大規模なプロジェクトでは、ソフトウェア開発に着手するまでにシステム戦略策定からシステム化計画、そして要件定義・設計・開発と多くのフェーズを経由します。特に、先行して検討されるシステム戦略策定時には、システム化の方向性を決定するために多くの要求事項が挙げられるため、*実際にシステム開発で必要とする部分とのズレやブレが発生します。*

そのため、見積もり誤差がリスク分として多く計上されてしまい、そのリスク分は不確実性によるもので経験値によるところが大きい領域です。特に未確定の要求仕様については累積してリスク計上されていくため、システムが肥大化する要因となります。これを防ぐために、同様の要求を満たすシステム事例を参照したり、プロジェクトサイクル全般を想定した見積もり手法が必要です。

**FP法では早期から実装機能をファンクションとして算定できるためブレを吸収し実装していくことができます。**

高品質なシステム開発に欠かせない機能要件と非機能要件とは？

FP法では機能要件を低・中・高の複雑度の分類で算定するため、*対象とするアプリケーション開発の工数とソフトウェア製造量と直接的に合致しない場合もあります。*そのため、あらかじめ同等の業務での開発実績のデータを蓄積し、見積もり制度を向上させることが重要です。

特に要求仕様書が確定する前の見積もりでは精度のブレが生じるため、ユーザが認識していない要件が潜んでいる場合は別途追加見積の必要性が出てきます。

*FP法には様々な団体が存在します。*FP法は、国際標準化機構ISO（International Organization for Standardization）、および国際電気標準会議IEC（International Electrotechnical Commission）によって認定されています。その標準化の中でFP法は、以下のそれぞれの方法が各実装グループによって定義されています。

・FiSMA（FiSMA 1.1 functional size measurement method）

・IFPUG（IFPUG functional size measurement method）

・Mark-II（Ml II Function Point Analysis）

・Nesma（Nesma functional size measurement method）

・COSMIC（The Common Software Measurement International Consortium）

・OMG（Object Management Group Automated Function Points）

### 日本のFP法のユーザ団体はJFPUG

IFPUG（International Function Point User Group）は米国にあり、Allan Albrecht氏の考え方を引き継いでFP法を発展させています。*そのガイドラインはISOで標準化されています。*海外支部も多くあり、日本ではJFPUG（Japan Function Point User Group）として活動を行っています。

参考：[JFPUG](http://www.jfpug.gr.jp/introduction/top.htm)

### その他のソフトウェア開発見積もりモデルは？

COCOMO（Constructive Cost Model）は1981年に提唱されたものです。COCOMOでは、開発するソフトウェアの規模が大きいほどより多くの工数が発生するという考え方に基づいています。具体的には、開発するソフトウェアの想定ソースコード行数に、ソフトウェアの規模を表す係数を掛けて開発工数を算定します。

次にLOC（Lines Of Code）について紹介していきます。LOCは長年にわたり見積もりに用いられていた手法で、「ステップ数による見積もり」と言えばピンとくる人も多いでしょう。つまりプログラムソースの行数に比例して工数を求めるものです。

こちらは長きにわたり利用されていますが、空行やコメント行を除外したりする作業の誤差や、難易度がステップ数に反映されないので誤差のブレ幅が大きいものです。そのため、**大規模システムでは客観的な指標としては適さないとされています。**

## FP法のスキルを高めるには？

FP法はプロジェクト開発では標準的に活用されています。そのため、実際のプロジェクトで実務能力を高めることが可能です。それ以外にも市販の書籍が数多く出版されており、ITエンジニアのプロジェクト教育としてeラーニングが各社より提供されています。したがって、最初のステップとしては机上で知識を高めて実践する方法がおすすめです。

先に述べたIFPUG並びにJFPUGより、FP法に関連するドキュメントを入手することができます。その他、**情報処理推進機構（IPA）により2006年「ソフトウェア開発見積りガイドブック」が発行されています。**各種見積もり手法の紹介と実例が記載されており、PDF形式でダウンロードが可能です。

これらのツールを活用してFP法を学ぶことができます。

参考：[情報処理推進機構(IPA) ソフトウェア開発見積りガイドブック](http://www.ipa.go.jp/sec/publish/tn05-001.html)

**平成26年において総務省より「政府情報システムの整備及び管理に関する標準ガイドライン」が発行されています。**事業者からの経費の見積もりは、原則としてファンクションポイントの見積もり並びにその見積もり根拠を提示することが求められています。政府系システムに関連する方は一読されることをおすすめします。

参考：[政府情報システムの整備及び管理に関する標準ガイドライン](https://cio.go.jp/node/1426)

## FP法を活用してプロジェクトの見積もり手法をマスターしよう

FP法はプロジェクトの見積もり手法として広く浸透しています。FP法が効果的なのは要求仕様書が確定してからの各工程なため、まずは市販の書籍やeラーニング等で学習し、実際のプロジェクトで実践してみましょう。**プロジェクトでのソフトウェア開発の品質評価に活用できるため、全体のレビューや費用対効果の評価にも活用できます。**

ぜひとも様々なプロジェクト工程で活用してマスターしてくださいね。

FP法は米国で考案され、40年以上の活用実績がある手法です。その目的は誰が見積もりの計測を行っても同じ結果が得られることです。FP法を効果的に活用することでプロジェクトの見積もり品質が高められます。ぜひ実際のプロジェクトで実践してみましょう。

FP法は米国で考案されたソフトウェア開発の生産性を測定するための手法です

FP法ではシステム規模の見積もりが誰でも同等に実施できるため広く用いられています

FP法は工数の見積もりだけでなく、プロジェクトサイクル全般の評価として活用可能です

FP法とは？ソフトウェア開発の見積もり手法を解説します！

## Pythonの環境構築をするまでの流れは？

Pythonは構文が簡単で大変人気があります。*豊富なライブラリー*が公開されているため、特にAI分野での*機械学習・深層学習*では**標準的に用いられています**。

Pythonを利用するまでの流れは、以下のように*他の言語システムと同様*の作業を行います。
・*Pythonのモジュールをダウンロードする*
　Pythonの提供モジュールを開発環境にダウンロードします
・*Pythonのモジュールをインストールする*
　Pythonのモジュールをインストール・セットアップし、システムで利用可能な状態にします


また、必要に応じて*エディタや統合開発環境（IDE）*を準備しておくと**開発生産性が向上**します。さらに、Pythonでは公開されている**膨大なソフトウェア資産**があります。開発環境にPythonで用いるソフトウェアやライブラリーを組み込んで一連の*環境構築作業が完了*します。

### Pythonを利用するための事前準備は？

Pythonを利用するための*事前準備*として、*Pythonの情報を入手*しておき**適宜参照する**のが良いでしょう。*Python公式サイトの日本語ドキュメント*は、以下のリンクから参照できます。
参考：[Python 3.9.4 ドキュメント](https://docs.python.org/ja/3/)

### Pythonをダウンロードするには？

Pythonの*ソースコードやインストーラ*は、Python公式サイトの**Downloadリンク**にあります。*プラットフォーム固有情報*が整理されており、*Windows*や*Mac OS*あるいは*他のプラットフォーム*の情報が提供されています。
参考：[Python Download](https://www.python.org/downloads/)

### Pythonをインストールするには？

Python公式サイトのDownloadリンクに、**各種OSに対応したインストールモジュール**が提供されています。Pythonのインストールモジュールをダウンロード後、インストーラを用いて*モジュールインストール*を進めます。

さらに、*Windows版*では*完全版インストール*の他に、*Windows Store版*も選択可能です。*Mac版*は*通常インストール*の他に、*パッケージ管理システム*を用いてインストールする方法もあります。
参考：[Python 3.9.4 ドキュメント 3. Windows で Python を使う](https://docs.python.org/ja/3/using/windows.html)
参考：[Python 3.9.4 ドキュメント 4. Macintoshで Python を使う](https://docs.python.org/ja/3/using/mac.html)

## Pythonの公開ソフトウェアの活用

Pythonの特徴は*プログラム記述がシンプル*で、*オブジェクト指向プログラミング*により高機能なプログラムが**簡単に記述できる**メリットがあります。
Pythonは*オープンソース*であり、ライブラリー等の*ソフトウェア公開*が進んでいます。このことから、*分析アルゴリズム*が共通化しやすいAIでは*機械学習や深層学習のライブラリー*が数多く提供されています。

公開ソフトウェアの*インストール管理*は、以下に挙げる*PyPI*または*Anaconda*の*2種類の公開サービス*のいずれかを用いることがおすすめです。公開ソフトウェアは*自由に利用できます*ので、**最大限活用しましょう**。

### The Python Package Index（PyPI）とは？

PyPIは*Python Software Foundation（PSF）*による**Python用ソフトウェア公開サービス**です。Pythonの各ソフトウェアは「*pip*」と呼ばれる*インストーラコマンド*を用いてインストール可能です。
*使用例：*
$ python -m pip install パッケージ名
参考：[Python Docs Python モジュールのインストール](https://docs.python.org/ja/3/installing/index.html)

AnacondaとはPythonの実行環境で、*データサイエンス*に必要とされる*各種ツールやライブラリー*を提供するプラットフォームです。Anacondaには*数値計算やデータ解析に必要なライブラリー*が**セットで組み込まれており便利です**。さらに、Anacondaにソフトウェアを取込む場合は *conda* ツールを用いて追加することができます。

以下のサイトに、Anacondaの*インストール方法*が記載されているためご確認ください。
参考：[日本Pythonユーザ会 Python環境構築ガイド Anacondaのインストール](https://www.python.jp/install/anaconda/index.html)
参考：[ANACONDA Individual Edition](https://www.anaconda.com/products/individual)

PyPIとAnacondaは**Python用ソフトウェア公開サービス**です。それぞれ*ソフトウェア管理の形態が異なる*ため、*併用することが難しい*です。いずれかを選択する際の判断基準は、*データサイエンスや機械学習用途*に用いるのが**Anaconda**、*汎用用途あるいは初心者の利用*は**PyPI**と覚えておきましょう。

Pythonでは開発プロジェクトを**複数作成**する際に、*仮想環境*を作成します。仮想環境により*他のプロジェクトへ影響を与えずにモジュールを追加*したり、*異なるバージョンのモジュールを使用*したりできます。

### Pythonの標準コマンドを用いた仮想環境作成方法は？

Pythonでは最初に*venv*コマンドを用いて**仮想環境を作成**します。次に、*pip*コマンドを用いて**仮想環境へパッケージをインストール**します。
*使用例：*
$ python3 -m venv 新しいパス名
参考：[Python Docs venv --- 仮想環境の作成](https://docs.python.org/ja/3/library/venv.html)

### Anacondaを用いた仮想環境作成方法は？

Anacondaを用いる場合は、共に*conda*コマンドを用いて*仮想環境の作成*と*パッケージインストール*を行います。実行環境となる*Conda環境*の*作成と有効化*の方法は以下の通りです。
*使用例：*
```$ conda activate
(base) $ conda create --name env37 python=3.7
(base) $ conda activate env37
(env37) $ conda install appi=x.y
  :
(env37) $ conda create --name env39 python=3.9
(env37) $ conda activate env39
(env39) $ conda install appli=x.z
  :
(env39) $ conda deactivate
$```

*有効化されているConda環境*に対して、*conda install* コマンドによってパッケージがインストールされます。Conda環境ごとに異なるバージョンのパッケージをインストールすることが可能です。利用する際には、該当する*Conda環境を有効化*することで**指定バージョンのソフトウェアが利用できます**。

これまでに代表的なPython実行環境を紹介してきました。ここでは、実行環境をより**有効に活用するための関連情報と追加情報**を紹介していきます。具体的には、*オープンソースの統合開発環境（IDE）*や*インストール不要なPython実行環境*について説明していきます。

Jupyter Notebookとは*オープンソースの統合開発環境（IDE）*です。Pythonを始めとする*40以上の言語*を用いた開発を*ウェブブラウザ*を用いて行うことができます。Jupyter Notebookは**データ分析機能**があるため、*ビッグデータのデータ分析・統合*にも用いることができます。**科学技術計算や機械学習**等を目的とする方には特におすすめです。

*Python標準のpipコマンド*、あるいは*Anacondaのcondaコマンド*を始めとするいくつかのインストール方法が提供されています。
参考：[Jupyter](https://jupyter.org/)

AWS Cloud9とは*クラウド利用の統合開発環境（IDE）*です。*JavaScript・Python・PHP*や多様な言語が利用可能です。**ブラウザのみでコード開発が可能**です。

すでにAWSで運用している場合は、*サーバレスのアプリケーション開発*を含めて**AWSサービスへ直接アクセス**することが可能です。AWS Cloud9の追加料金はかかりません（Amazon EC2、Amazon EBSの料金に含まれます）。
参考：[AWS Cloud9](https://aws.amazon.com/jp/cloud9/?nc2=h_ql_prod_dt_c9)

### Pythonをインストールせずに利用するには？

*Pythonや機械学習ライブラリーを動作させる*には自身のPCをセットアップしたり、GPUを用意したり**準備が必要**です。*Google Colaboratory*（略称 Colabo）は**Python実行環境を無料提供**してくれます。さらに**GPUの利用も無料**です。

*Colabo*は**Google Cloud上で実行**されますので、ウェブブラウザのみ用意できれば実行確認ができます。なお、利用にはGoogleアカウントが必要です。
参考：[Colaboratory へようこそ](https://colab.research.google.com/notebooks/welcome.ipynb?hl=ja)

## Pythonの環境整備が完了したら実際にコード開発を行いましょう

環境整備が終わったら使い方に慣れるためにも*コード開発*を行ってみましょう。まずは*サンプルコード*を使って実行結果を確認する方法がおすすめです。

続いて、*公開ソフトウェアやライブラリー*を用いてさらなる環境整備に取り掛かります。各ソフトウェアやツールの使い方にも**ノウハウ**があり、*実践することでスキルが蓄積できる*ため、**おすすめの習得方法**です。

Pythonは記述が簡単で初心者にも人気が高まっています。Pythonの開発を進めるにはPythonおよび関連モジュールやソフトウェアを効率的に利用します。ここでは、Pythonの開発環境を公開ソフトウェアを活用して整備する方法について説明していきます。

Pythonを利用するための作業は、他の言語システムと同様の手順で進めます

Pythonの特徴は膨大な公開ソフトウェアにあり、有効活用がおすすめです

Pythonに追加してパッケージ管理システムやソフトウェア公開サービスを併用し利便性を高めます

Pythonの環境構築：公開ソフトウェアを活用した環境整備を解説

ソフトウェア開発の記事（2ページ目）