レベルや使い方、違いを徹底解説

2022 3/11

2021-08-23

Anacondaのライブラリーの操作や追加はAnaconda Navigatorを使用します。
起動すると現在インストールされているあるいはインストールできるライブラリが表示されます。

使用したいライブラリやツールのLaunchをクリックすると、ライブラリが起動されます。
またLearningのタブをクリックすると、Pythonのプログラミングに関わるさまざまな情報を閲覧することができます。

・ケーブルを抜き差しする際はミキサーなどのマイク・チャンネルはオフかボリュームゼロ
・マイクは「吹いたり」「叩いたり」も厳禁！必ず「声でチェックする」・・チェック、ワンツー、ハーハーヘイヘイ・・・
・マイクのグリル部分を手で覆わない⇒ハウリング（スピーカーがキーンというあれ）が起きたり音抜けが悪くなる
・ダイナミックマイクにはファンタム電源を送らない（OKと書いてあるサイトもありますが、ダメ！ゼッタイ）
・湿気は避ける

・コンデンサーマイクのケーブルを抜き差しする際は必ず「ファンタム電源をOFF」にしてから！その際ミキサーのマイク入力のゲイン、ボリュームはゼロ
・ファンタム電源をOFFにしてもすぐにはマイクからケーブルを抜かない（電圧がコンデンサーに残っているので）20秒以上待てば確実
・ファンタム電源をONにするときはミキサーのマイク入力のゲイン、ボリュームはゼロにする

・機材が壊れた！（マイク、ミキサー、スピーカー）
・感電した！

・ミキサーやアンプを使いスピーカーから音出ししている際は、スピーカーの電源は最初に切って、最後に入れる
・とにかく何かしら抜き差し時は「ボリューム下げる」が鉄則です。

シーン・用途別おすすめマイクロフォン

店の各WEBページにて用途別・種類別にマイクを細かく紹介中！

カラオケに持ち込むならこれ！選び方のポイントやオススメマイクをご紹介！

【歌ってみた】自宅で歌・ボーカルを録音するならコレ！必要な物やおすすめ機材ラインナップや機材を一挙紹介！

自宅でナレーション収録するマイクや機材ならコレ！オススメラインナップを一挙紹介！

マイクのタイプによる収音性の違いについても動画にて解説中！

・ピンマイク（Sennheiser XSW-D Lavalier レベルや使い方、違いを徹底解説 Set）

USBマイクについてもご紹介中！

ヒューマンビートボックス用マイクについてもチェック！

担当者より

ライブで使う

SHURE SM58-LCE

メーカー	型名	販売価格(税込)
SHURE	SM58-LCE	￥14,080

ボーカル用マイクとしてはなにはなくともまずはコレ！ SHUREのSM58（ゴッパーという呼称が有名）一家に一本 50年以上の超ロングセラー！

SHURE BETA-58A

レベルや使い方、違いを徹底解説

メーカー	型名	販売価格(税込)
SHURE	BETA-58A	￥19,580

SHURE SM57-LCE

メーカー	型名	販売価格(税込)
SHURE	SM57-LCE	￥12,980

SHURE BETA 87A

メーカー	型名	販売価格(税込)
SHURE	BETA87A-X	￥35,200

audio-technica AE6100

メーカー	型名	販売価格(税込)
audio-technica	AE6100	￥18,480

DPA VO4099S

メーカー	型名	販売価格(税込)
DPA	VO4099S	￥54,780

レコーディングで使う

audio-technica AT4040

メーカー	型名	販売価格(税込)レベルや使い方、違いを徹底解説
audio-technica	AT4040	￥32,780

ゼンハイザー MK4

メーカー	型名	販売価格(税込)
ゼンハイザー	MK4	￥36,300

NEUMANN U87Ai

メーカー	型名	販売価格(税込)
NEUMANN	U87Ai	￥353,540

NEUMANN TLM 102

メーカー	型名	販売価格(税込)
NEUMANN	TLM 102	￥83,270

楽器用マイクアコースティックギター用

SHURE SM57-LCE

レベルや使い方、違いを徹底解説

メーカー	型名	販売価格(税込)
SHURE	SM57-LCE	￥12,980

SHURE BETA-57A

メーカー	型名	販売価格(税込)
SHURE	BETA-57A	￥18,480

audio-technica AT4040

レベルや使い方、違いを徹底解説

メーカー	型名	販売価格(税込)
audio-technica	AT4040	￥32,780

AKG C414XL2

メーカー	型名	販売価格(税込)
AKG	C414XL2	￥121,000

AKG C451B

メーカー	型名	販売価格(税込)レベルや使い方、違いを徹底解説
AKG	C451B	￥38,500

DPA 4099-DC-1-199-G

メーカー	型名	販売価格(税込)
DPA	4099-DC-1-199-G	￥60,500

レベルや使い方、違いを徹底解説

audio-technica ATM350GL

メーカー	型名	販売価格(税込)
audio-technica	ATM350GL	￥42,680

上記DPA 4099 よりもリーズナブルで同じようにアコギ本体にマウントできます。最大入力音圧レベル159dB(DPAは142dB)と、高耐入力設計により高い音圧でも歯切れよく、鮮明でバランスの取れたレスポンスを実現します。DPAよりもケーブルが太く安心感があります。

【Python環境構築入門】Anacondaとは？インストールから通常環境との違い、使い方まで徹底解説！

WebサイトからWindows用64bit版のインストーラー64-Bit Graphical Installer (462 MB)をクリックしてダウンロードします。
起動して「Next >」をクリックするとライセンスの確認画面が表示されます。

「I Agree」ボタンをクリックすると、インストールするユーザー範囲を聞かれます。推奨はユーザーごとのインストールなので、「Just Me」を選択し、「Next レベルや使い方、違いを徹底解説 >」をクリックします。

続いてインストール先を選択する画面が表示されます。なんらかの特別な理由がない限り、変更する必要はありません。2.9GB必要になりますので、ドライブの空き容量をよく確認してください。

インストールのオプションにある「Add Anaconda to my PATH レベルや使い方、違いを徹底解説 environment variable」は、環境変数 PATH に Anaconda のフォルダを追加しますが非推奨(Not recommended)なのでチェックは入れません。

「Register Anaconda as my default Python 3.7」のみにチェックを入れ、「Install」ボタンをクリックしてインストールを開始します。

WebサイトからMac用のインストーラーである64-Bit Graphical Installer (654 MB)をクリックしダウンロードします。2019年10月の時点での最新のファイルはPython3.7versionになります。
インストーラーをクリックして起動し、画面の指示に従ってインストールを実行します。MacではWindowsのようなフォルダ選択は特に必要ありません。インストール先は「自分専用にインストール」を選択してください。”

起動確認とライブラリの確認

Anacondaにはcondaコマンドがインストールされています。
このcondaコマンドを使用して、パッケージのインストールや、実行環境の作成・切り替えなどを行います。Anaconda Promptを使用してコマンドを実行します。ヘルプの表示は「conda -h」で行なえます。

conda update –all で更新可能

conda update –allを実行すると、現在のパッケージのバージョンを確認し、アップデートすることができます。

インストールした直後は最新よりもバージョンが古いものがインストールされているため、ライブラリを更新する必要があります。
一覧が表示されたら「y」を入力し、エンターを押してライブラリを最新のバージョンにアップデートします。Anaconda Promptにバージョンアップのゲージが表示され、一度画面が再起動したあと、インストールが完了します。

Anaconda Navigatorの起動

Spyderを起動してみよう

SpyderはPythonの統合開発環境（IDE）で、Pythonの開発、実行、デバッグといった機能が充実しています。

Anaconda NavigatorからSpyderを起動してみましょう。
HomeタブにあるSpyderの「Launch」をクリックします。Spyderはその名の通り蜘蛛の巣のようなアイコンです。

また、スタートアップメニューの「Anaconda」フォルダからも実行が可能です。

基本的な使い方

Spyderは最初から日本語化されているため、特に言語の設定は必要ありません。
なお、初回起動時にはチュートリアルが表示されますが、チュートリアルは英語で記述されています。

左側にあるコードの入力エリアにコードを書き込み、メニューバーにある実行ボタンを押すことで実行できます。また、実行結果は右下のコンソール画面に表示されます。

Pythonコードの実行※サンプル

print(“# 2 レベルや使い方、違いを徹底解説 + 9”)
print(2 + 9)

左側のエディタ画面にコピー＆ペーストし、緑色の実行ボタンを押します。

実行結果が右下にあるコンソールに表示されました。

計算式が実行され、計算結果が表示されています。

コードに問題がないか確認するためにデバッグを行います。
メニューバーの「デバッグ」または青いアイコンをクリックします。

デバッグ結果はコンソール画面に表示され、記述に問題がある行を指摘します。

また、エディタ上でも記述に間違いがある行にはアイコンが表示されます。

簡単なコードであればデバッグ機能を使うまでもなくエディタのエラー表示を確認することで修正できますが、複雑な処理を行う場合にはデバッグ機能を活用し、エラーの原因となっている場所を特定しながら修正していくことになります。

Jupyter Notebookを起動してみよう

Jupyter NotebookはPythonのプログラムをWebブラウザ上で動かすことのできるツールで、ノートブックと呼ばれるファイルにプログラムや説明の文章、実行結果などをまとめて管理します。実行結果を記録しながらデータの分析作業を進めることができるため、データサイエンティストには必須といえるツールです。
以前はIPython Notebookと呼ばれていました。

Anaconda Navigatorかスタートアップメニューから「Jupyter Notebook」を起動します。

ツールが起動するとOSに標準として設定されているブラウザが起動し、Jupyter Notebookのデフォルト画面が表示されます。
URLは「http://localhost:8888/tree」が表示されます。

Jupyter Notebookはブラウザ上ですべての作業を行います。

基本的な使い方

Pythonの新しいノートブックを作成するには、まずデフォルト画面で「New▼」をクリックし、Python3を選択します。

新しいタブが表示されてノートブックが作成されました。

緑色の線で囲われているセルと呼ばれる部分にPythonのコードを書き込むことで、実行することができます。

・Ctrl + Enter＞セル内のプログラムを実行
・Shift + Enter＞下にセルを追加
・セルをダブルクリック＞セルを再度編集可能にする

Pythonコードの実行※サンプル

def up_timer(secs):
for i in range(0,secs):
print(i)
sleep(1)
print(“時間になりました”)

自然言語処理の王様「BERT」の論文を徹底解説

2018年10月に登場して、自然言語処理でもとうとう人間を超える精度を叩き出した ことで大きな話題となったBERT。それ以降、XLNetやALBERT、DistillBERTなどBERTをベースにしたモデルが次々と登場してはSoTAを更新し続けています。その結果、GLUEベンチマークでは人間の能力が12位(2020年5月4日時点)に位置しています。BERTは登場してまだ1年半程度であるにもかかわらず、被引用数は2020年5月4日現在で4809 にも及びます。驚異的です。この記事ではそんなBERTの論文を徹底的に解説していきたいと思います。BERTの理解にはTransformer[Vaswani, A. (2017)]を理解しているととても簡単です。Transformerに関しての記事は拙著の 解説記事 レベルや使い方、違いを徹底解説をどうぞ。BERTは公式によるTensorFlowの実装とPyTorchを使用している方にはHuggingFaceによる実装がありますのでそちらも参照してみてください。

読んで少しでも何か学べたと思えたら「いいね」や「コメント」をもらえるとこれからの励みになります！よろしくお願いします！

流れ:
- 忙しい方へ
- 論文解説
- まとめと所感
- 参考

Fig.3

0.忙しい方へ

BERTはTransformerのEncoderを使ったモデルだよ。
あらゆるNLPタスクにファインチューニング可能なモデルだから話題になったよ。
事前学習としてMLM(=Masked Language Modeling)とNSP(Next Sentence Prediction)を学習させることで爆発的に精度向上したよ。
事前学習には長い文章を含むデータセットを用いたよ。
11個のタスクで圧倒的SoTA を当時叩き出したよ。

1. 論文BERT: Pre-training レベルや使い方、違いを徹底解説 of Deep Bidirectional Transformers for Language Understanding解説

1.0 要約

BERTは Bidirectional Encoder Representations from Transformers の略で、TransformerのEncoderを使っているモデル。BERTはラベルのついていない文章から表現を事前学習するように作られたもので、出力層を付け加えるだけで簡単にファインチューニングが可能。
NLPタスク11個でSoTA を達成し、大幅にスコアを塗り替えた。

1.1 導入

自然言語処理タスクにおいて、精度向上には言語モデルによる事前学習が有効である。この言語モデルによる事前学習には「特徴量ベース」と「ファインチューニング」の2つの方法がある。まず、「特徴量ベース」とは 事前学習で得られた表現ベクトルを特徴量の1つとして用いるもの で、タスクごとにアーキテクチャを定義する。ELMo[Peters, (2018)]がこの例である。また、「ファインチューニング」は 事前学習によって得られたパラメータを重みの初期値として学習させるもの で、タスクごとでパラメータを変える必要があまりない。例として OpenAI GPT[Radford, (2018)]がある。ただし、いずれもある問題がある。それは事前学習に用いる言語モデルの方向が1方向だけということだ。例えば、GPTは左から右の方向にしか学習せず、文章タスクやQ&Aなどの前後の文脈が大事なものでは有効ではない。

そこで、この論文では 「ファインチューニングによる事前学習」に注力 し、精度向上を行なう。具体的には事前学習に以下の2つを用いる。
1. Masked Language Model(= MLM)
2. Next Sentence Prediction(= NSP)

それぞれ、
1. MLM: レベルや使い方、違いを徹底解説複数箇所が穴になっている文章のトークン(単語)予測
2. NSP: 2文が渡され、連続した文かどうか判定

1.2 関連研究

1.2.1 レベルや使い方、違いを徹底解説教師なし特徴量ベースの手法

事前学習である単語の埋め込みによってモデルの精度を大幅に上げることができ、現在のNLPにとっては必要不可欠な存在となっている。
単語の埋め込み表現を獲得するには、主に次の2つがある。

文章の左から右の方向での言語モデル
左右の文脈から単語が正しいか誤っているかを識別するもの

また、文の埋め込み表現においては次の3つがある。

次に続く文をランキング形式で予測するもの
次に来る文を生成するもの
denoisingオートエンコーダー由来のもの

1.2.2 教師なしファインチューニングの手法

特徴量ベースと同じく、初めは文中の単語の埋め込みを行うことで事前学習の重みを獲得していたが、近年は文脈を考慮した埋め込みを行なったあとに教師ありの下流タスクにファインチューニングしていくものが増えている。これらの例として次のようなものがある。

文章の左から右の方向での言語モデル
オートエンコーダー

1.2.3 教師ありデータによる転移学習

機械翻訳
自然言語推論(= 前提と仮説の文のペアが渡され、それらが正しいか矛盾しているか判別するタスク)

1.3 BERT

1.3.1 BERTの概要

事前学習: ラベルなしデータを用いて、複数のタスクで事前学習を行う
ファインチューニング: 事前学習の重みを初期値として、ラベルありデータでファインチューニングを行なう。

Fig.1

異なるタスクにおいてもアーキテクチャが統一されている というのが、BERTの特徴である。

アーキテクチャ: Transformerのエンコーダーのみ。

$\mathrm>$ ($L=12, H=768, A=12$, パラメータ数:1.1億)
$\mathrm>$ ($L=24, H=1024, A=16$, パラメータ数:3.4億)
$L$:Transformerブロックの数, $H$:隠れ層のサイズ, $A$:self-attentionヘッドの数

Fig.2

BERTへの入力を以下、sentenceと呼ぶ。
sentenceの先頭に[CLS]トークンを持たせる。
2文をくっつける時は、間に[SEP]トークンを入れ かつ それぞれに1文目か2文目かを表す埋め込み表現を加算 する。
最終的に入力文は以下のようになる。 > BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding, Devlin, J. et al. (2018)
$E$:入力の埋め込み表現, $C$:[CLS]トークンの隠れベクトル, $T_i$:sentenceの$i$番目のトークンの隠れベクトル

1.3.2 BERTの事前学習

Fig.1左

文を両方向(「左から右」および「右から左」)で学ぶためにBERTでは2つの事前学習を行なう。それがMLMとNSPである。データセットにはBooksCorpus(単語数:8億)とEnglish Wikipedia(単語数:25億)

Task1: Masked Language Modeling (MLM)
入力の15%のトークンを[Mask]トークンでマスクし、元のトークンを当てるタスク。つまり、穴埋め問題。この時、上図の$T_i$にSoftmaxを適用することでトークンを予測する。ただし、ファインチューニングでは出てこない[Mask]トークンを事前学習で使用してしまっているために事前学習とファインチューニング間の差異が生じてしまう。そのため、マスクするトークンを常に[Mask]トークンに置き換えるのではなく、マスクするトークンに対して次のようにすることで問題を緩和 した。

Task2: Next Sentence Prediction (NSP)
Q&Aや自然言語推論など文同士の関係を考慮する必要がある問題に対して、MLMでは対処できない。そのため、2文選んでそれらが連続した文かどうかを当てるタスク を行なう。この時、上図の$C$を用いて予測を行なう。 (ここで、$C$はこの時点ではNSPに特化したものなので、文全体を表現したベクトルにはなっていない。)

1.3.レベルや使い方、違いを徹底解説 3 BERTのファインチューニング

Fig.1右だけ

単純にタスクごとに入力するだけ。
出力のうち $C$は識別タスク(Ex.感情分析) に使われ、$T_i$はトークンレベルのタスク(Ex.Q&A) に使われる。
ファインチューニングは事前学習よりも学習が軽く、どのタスクもCloud TPUを1個使用すれば1時間以内 で終わった。(GPU1個でも2~3時間程度)

(ただし、事前学習にはTPU4つ使用でも4日もかかる。)

Fig4

1.4 実験

1.4.1 GLUE

GLUEベンチマーク(General Language Understanding Evaluation)[Wang, A.(2019)]とは8つの自然言語理解タスクを1つにまとめたものである。最終スコアは8つの平均をとる。こちらで現在のSoTAモデルなどが確認できる。今回用いたデータセットの内訳は以下。

レベルや使い方、違いを徹底解説

データセット	タイプ	概要
MNLI	推論	前提文と仮説文が含意/矛盾/中立のいずれか判定
QQP	類似判定	2つの疑問文が意味的に同じか否かを判別
QNLI	推論	文と質問のペアが渡され、文に答えが含まれるか否かを判定
SST-2	1文分類	文のポジ/ネガの感情分析
CoLA	1文分類	文が文法的に正しいか否かを判別
STS-B	類似判定	2文が意味的にどれだけ類似しているかをスコア1~5で判別
MRPC	類似判定	2文が意味的に同じか否かを判別
RTE	推論	2文が含意しているか否かを判定

Table1

結果は以下。
$\mathrm>$および$\mathrm>$いずれもそれまでのSoTAモデルであるOpenAI GPTをはるかに凌駕しており、平均で $\mathrm>$は4.5 %のゲイン、$\mathrm>$は7.0%もゲイン が得られた。

1.4.2 SQuAD v1.1

SQuAD(Stanford Question Answering Dataset) v1.1[Rajpurkar (2016)]はQ&Aタスクで、質問文と答えを含む文章が渡され、答えがどこにあるかを予測するもの。
この時、SQuADの前にTriviaQAデータセットでファインチューニングしたのちにSQuADにファインチューニングした。

Table2

結果は以下。
アンサンブルでF1スコアにて1.5ポイントのゲイン、シングルモデルでもF1スコアにて1.3ポイントのゲイン が得られた。特筆すべきは BERTのシングルがアンサンブルのSoTAを上回った レベルや使い方、違いを徹底解説ということ。

1.4.3 SQuAD v2.0

SQuAD v2.0はSQuAD v1.1に「答えが存在しない」という選択肢を加えたもの。
答えが存在するか否かは[CLS]トークンを用いて判別。
こちらではTriviaQAデータセットは用いなかった。

Table3

結果は以下。
F1スコアにてSoTAモデルよりも5.1ポイントのゲイン が得られた。

1.4.4 SWAG

SWAG(Situations With Adversarial Generations)[Zellers, R.(2018)]は常識的な推論を行うタスクで、与えられた文に続く文としてもっともらしいものを4つの選択肢から選ぶというもの。
与えられた文と選択肢の文をペアとして、[CLS]トークンを用いてスコアを算出する。

Table4

結果は以下。
$\mathrm>$がSoTAモデルよりも8.3%も精度が向上した。

1.5 アブレーションスタディ

1.5.1 事前学習タスクによる影響

BERTが学んだ文の両方向性がどれだけ重要かを確かめるために、ここでは次のような事前学習タスクについて評価していく。
1. NSPなし: MLMのみで事前学習
2. LTR & NSPなし: MLMではなく、通常使われるLeft-to-Right(左から右の方向)の言語モデルでのみ事前学習

Table5

これらによる結果は以下。

NSPが無いとQNLI, MNLIおよびSQuADにてかなり悪化($\mathrm>$ vs NoNSP)
MLMの両方向性がない(=通常のLM)だと、MRPCおよびSQuADにてかなり悪化(NoNSP vs LTR&NoNSP)
BiLSTMによる両方向性があるとSQuADでスコア向上ができるが、GLUEでは伸びない。 (LTR&NoNSP vs LTR&NoNSP+BiLSTM)

1.5.2 モデルサイズによる影響

Table6

この結果から言えることは主に次の2つのことが言える。
1. 機械翻訳と比べて小さなタスクにおいても大きいモデルを使うと精度も上がる。
2. 下流タスクが小さくてもファインチューニングすることで事前学習が大きいため高い精度 を出せる。

1.5.3 BERTを用いた特徴量ベースの手法

この論文を通して示した結果は、事前学習したモデルに識別器をのせて学習し直すファインチューニングによるものである。ここではファインチューニングの代わりにBERTに特徴量ベースの手法を適用する。

データセットに固有表現抽出タスクであるCoNLL-2003[Sang, T. (2003)]を用いた。
結果は以下。
特徴量ベースの$\mathrm>$はファインチューニングの$\mathrm>$と比べF1スコア0.3しか変わらず、このことからBERTはファインチューニングおよび特徴量ベースいずれの手法でも効果を発揮することがわかる。

Table7

1.6 結論

これまでに言語モデルによる転移学習を使うことで層の浅いモデルの精度が向上することがわかっていたが、この論文ではさらに両方向性を持ったより深いモデル(=BERT)においても転移学習が使えることを示した。深いモデルを使えるが故に、さらに多くの自然言語理解タスクに対して応用が可能である。

2. まとめと所感

BERTは基本的に「TransformerのEncoder + MLM&NSP事前学習 + 長文データセット」という風に思えますね。BERTをきっかけに自然言語処理は加速度を増して発展しています。BERTについてさらに理解を深めたい場合はぜひ論文をあたってみてください！

読んで少しでも何か学べたと思えたら「いいね」や「コメント」をもらえるとこれからの励みになります！よろしくお願いします！
ツイッター@omiita_atiimoもぜひ！

BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding, Devlin, J. et al. (2018)
原論文。
GLUE: A MULTI-TASK BENCHMARK AND ANALYSIS PLATFORM FOR NATURAL LANGUAGE UNDERSTANDING, Wang, A. (2019)
GLUEベンチマークの論文。
The feature of bidirection #83
[GitHub] BERTの両方向性はTransformers由来のもので単純にSelf-Attentionで実現されている、ということを教えてくれているissue。
BERT Explained!
[YouTube] BERTの解説動画。簡潔にまとまっていて分かりやすい。
[BERT] Pretranied Deep Bidirectional Transformers for Language Understanding (algorithm) | TDLS
[YouTube] BERT論文について詳解してくれている動画。

We will deliver articles that match you

By following users and tags, you can catch up information on technical fields that you are interested in as a whole

jQueryとは？JavaScriptとの違いから使い方まで徹底解説【初心者向け】

「クロスブラウザ対応」というのは、IE(Edge) / レベルや使い方、違いを徹底解説 Firefox / Chromeなどの各種ブラウザの差異をいかに吸収できるか？という意味になります。実は、ブラウザによってJavaScriptの挙動が微妙に違うケースが多々あります。（特にIEは多い）jQueryではこれらブラウザの違いをあらかじめ吸収できるように設計されているので、普通にプログラミングしていれば特に問題を感じなくても良いのは最大の魅力です。

しかし「パフォーマンス」は、純粋なJavaScriptの方が断然速いです。先ほど解説したようにjQueryではブラウザの違いを吸収するなど、さまざまな処理がバックグラウンドで動いているのでその分どうしても少し遅くなる傾向があります。「拡張性」というのは、jQueryの場合さまざまな用途に使えるプラグインが多数リリースされており、それらを組み合わせるだけで機能を追加できるという強みがあります。

これらを総合的に判断すると、パフォーマンスをそれほど重視しない小~中規模程度のプロジェクトであればjQueryが持つ恩恵を受けやすいと言えるでしょう。