プログラミング1は、if文、for文は触ってたので既にインデントやブロックの概念は教えていますが、その振り返りも兼ねて今回は「関数定義」な話。 単純な例を示しつつ、一連の命令群に名前をつけるて定義すること。定義した関数の使い方。戻り値が必要な場合と不要な場合。スライドでは「ここからここまでが関数定義の範囲」「ここがTrueブロック」とか示してたので、それがない状態でブロックを自分で把握するという話。2次方程式の解の公式を実装させてみる練習（短い時間だったけど数人実装できてた）。とかとか。 毎年微妙にやる順序が変わってるのだけど、これまでと比べるといい感じに進められてるのかも。

続きを読む

までやったという訳でもないですが、データマイニング班の機械学習の基礎を抑えるということで、線形回帰モデルを例に前回「モデルとは何か、パラメータを求めたら良いのか」みたいな話をしてて。 今回はそれを実際に実装してみようということで、クラス設計〜テスト駆動開発〜OLSの実装に向けた式展開〜実装、を体験してもらい。GDについては式展開だけをしておき、fit関数を実装してみてる演習時間にしました。流石にいきなりの実装は難しかったっぽいが、ま、内部のイメージを少しでも持ててもらえれば。 機械学習のイメージを持たせるモデルをパーセプトロンにした方が良いかなと思いつつ、今の所は毎回線形回帰にしてます。特に主義があるというよりは、線形回帰の考え方を …

続きを読む

論文・書籍・解説記事・事例集等、あれこれ何かを学ぶための「教材的なもの」はありますが、どれもこれも一長一短。一般的には人それぞれのそれまでに蓄積した知識であったり応用力であったり抽象力だったり、場合によっては文化的背景や育ってきた環境要因等の外部要因も含めて個々人の立ち位置は異なるので、誰かにとってベストであっても、それが他の人にもそうであるとは限らないのが当然。 「数学ガール」に何度も出てくる「例示は理解の試金石」もそうだし、理解を深めるためには自分で例示したり、それらを俯瞰したり、共通項探してみたり、あれこれ弄り倒すことが必要。別の言い方をすると「インプット（読む）だけでは理解度は深まらない」。 分かりやすく用意された解説記事（ …

続きを読む

プログラミング1のレポート1回目採点。 print関数使ったり、変数使ったりするぐらいの内容ですが、 ・「print(出力したい文字列)」みたいに、クォートを書き忘れたり。 ・「name = (‘スライム’)」みたいに、関数呼び出し時の丸括弧との違いに悩んでたり。 ・「print(‘ほげ’）」みたいに、全角半角で悩んでたり。 あるあるネタが散らばってます。 レポートにはエラーが出てもそのまま書いて、それをどう解釈してどう解決していったのかを書くようにと伝えてあるので、そこまで書いてあるなら減点なし（むしろ加点）してます。平均点は100点超えかな？。 全角半角問題は、Rictyとか紹介したら良かったか。

続きを読む

今年のGWは体調崩しまくりで、前半はほぼ文字通りの引きこもり生活。眠りも浅くて数時間で目覚めるのを繰り返し。多分肉体的な疲れが足りてないんだろうなとは思いつつ、外で歩く気力なかったのでそのままダラダラしてました。 後半になって体調回復した後のご飯の美味しいこと。やっぱり美味しいご飯がないと人生不幸せだな。

続きを読む

デジタル大辞泉でいうところの3番目、「ある事象について、諸要素とそれら相互の関係を定式化して表したもの。」の方。 3年次実験のデータマイニング班で、ツールの一つとして機械学習外観する流れでモデルの話を。概念的な話だけでは伝わらないし、概観したいので、例示として線形回帰を題材に、 ・何がモデルで、 ・モデルを導入することで何をしたいのか、 ・このモデルにおいて何をすることが学習なのか、 ・機械的に学習させるにはどうしたら良いのか、 といった話をしてました。 実験なので手を動かす部分も用意しましたが、今はまだ勉強部分がメインですね。

続きを読む

AI人材25万人育成とか言ってましたが、実際にはその原理を理解するための数学等の基礎教育を広げるという話も耳にしたりして、良くわからないですね。 Azure AIを使うぐらいの話なら「一昔でいうところのOffice使う」に相当するスキルかもしれない。（それを国策としてやるのという疑問はあるけど） 少しはコードを書くレベル、例えば R, Python (Pandas), Octave ぐらいで「データの前処理」するとか、は後処理として好みの可視化を組み立てるとかのレベルもあるかもしれない。 もう少し踏み込むと、特徴量工学まで求められるレベル？。タスクによっては何も考えずにデータ丸投げしてもそれなりの精度を実現できつつあるけど、それなり …

続きを読む

データマイニング論は留学生いるので英語で輪読。私自身の英語練習になるのも悪くないですが、学生の演習として使って欲しいし、どこで躓くかは人それぞれなので質問して欲しい。ということで強制的に質問させてみてます。 先週は「授業終了後に質問した人をチェック」したこともあって、今週からは質問がそれなりに出てて、いい感じぽい。実際、発表資料では説明飛ばされてる箇所だったり、もしくは教科書でも省略している箇所についての質問が出たりしてて、面白いです。「何でここで log 導入するの？」とか。素朴な疑問から得られる学びは大きいので、どしどしやってください。 過学習の話についてはUnderfitting vs. Overfittingが掴みやすいは …

続きを読む

例えば「似ている文書」を探したい場合。文書に出てくる単語が共通しているほど似ている可能性が高いかな。一方で、「犬が好き」と「犬が好きな訳がない」みたいな文は意味的には真逆で、単純に単語だけでは難しい部分もあるし、主語が明示的でなかったり、その文書を書いた当時の流行だとかの背景情報次第で解釈が変わったりして、「似ている」といっても多種多様な意味合いがあって、理想的には「いい塩梅に処理して欲しい」。 上記は文書の例だけれども、それは対象が変わったとしても同様。機械学習だろうが統計処理だろうがアプローチによらず、蓄積された対象に対する深い理解をした上で何をどう用意（前処理）するかという部分はまだまだタスクが残されていて。その際にはアプロー …

続きを読む

スーパーマンな話を引っ張ってみるなど。 互いに助け合うことで社会（組織）としての頑健性だか持続性だかを高めるとして、具体的にどうやればそういう状況に近づけられるのか。 システマチックな考え方というか、様々な事柄を専門職よろしくタスクとして切り分けることで、「求めている人材」みたいなものを明確にしてそれ以外は他の人の仕事。みたいな考え方も一つの道ではあって、UNIX哲学みたいなやり方で対応すると。 ただしこれには前提があって、「挑戦を称える文化」や「失敗を許容する文化」が大切。そういう「空気」も含めて教育だったりする訳なので、授業での課題レポートとかでは「教えていない取り組み」があったらとりあえず加点するみたいなことしたりしてます。 …

続きを読む