輪読とかゼミとか、2名以上で言葉なり図式なり何かしら言語を介しながらやり取りしてる時。もし、相手が何を尋ねているのか分からないのであれば素直にそのことを伝えよう。分からないままに悩むのは時間が勿体無いし、相手がいなくてもできることなので自分一人の時にやれば良くて。考える時間が欲しいならそう伝えるのも一つの手。相手がそれを汲み取ってくれるとは限らないので、できるだけちゃんと言葉で伝えるのが重要。 ということをやるのがコミュニケーション能力であって、自己紹介がとか普段の会話をはずませる力とかではない。後者もできるにこしたことはないだろうけども、複数人で問題解決を行うとかの場面では必須ではないですね。まずは、問題解決に向けたやり取りをでき …

続きを読む

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

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

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

大学院のデータマイニング論2週目で、Python Machine Learningの輪読に入りました。教員からの質問に答えることをベースにした討論でも悪くはないですが、どうせ受講してるならそれなりに「考え方」「物の見方」あたりに触れて欲しいし、留学生いるならそれを英語でやり取りする練習にも使って欲しい。ということで、今年から「3回以上質疑コメントしてね☆」ということに。 強制的にやらせるのもあれだとは思うけど、教育の一環としてはありかなと。正しい英語とか正しい表現とかは二の次でいいから、まずは思ったことをどう表現するか。単語やフレーズからでいいので、少しずつ慣れよう。input/outputしないと身につかないし。

続きを読む

大学院のデータマイニング論。留学生の特別プログラム向け講義と同時開講にしているので、留学生がいる場合は英語にしてます。 内容は、前半6〜7週間で教科書輪読で基礎を身につけてもらって。後半で論文輪読。やり方は置いといて、教科書だけとか論文輪読だけとかのスタイルが多そうですが、そもそもこっち方面の知識がほぼない学生も来るので、こういう形にしています。 はじめての開講年は受講生数名だったのが、翌年以降少しずつ増えてて。今年は21名らしい。部屋サイズも含めてちょっと過多気味なのだけど、制限かけたりしようかなぁ。興味ある学生の受講を断るのは勿体無いと思うので今の所教室に入る分には詰めてもらってるけど、流石にあの部屋に21名はちょっと。

続きを読む

<blockquote><p> [ その1 ] なるべく差別化をしようとすると、(a)応用編、(b)前処理テクニック、(d)自然言語処理編、(c)実践編あたりに分かれるのかな。 そろそろ大枠を固めようということで、上記(b)+(d)+(a)の組み合わせを想定してシラバス書き始めてます。教科書は指定せず、参考文献を提示し、メインはこちらで資料準備する予定。参考文献として予定しているのは以下の通り。 機械学習のための特徴量エンジニアリング――その原理とPythonによる実践 データからの知識発見 (放送大学教材) 仕事ではじめる機械学習 Pythonではじめるデータラングリング――データの入手、準備、分析、プレゼ …

続きを読む

2019年度後期から開講予定の「データマイニング」の授業検討な話。「データマイニング シラバス」ぐらいでググると色んな大学の現状を俯瞰できます。 立教大学 法政大学 筑波大学 明治大学 専修大学 名古屋大学 奈良先端大学院大学 CCSU Columbia University ざっくり上位に出てくるものを列挙するとこんな感じ。こうして眺めると、基本的には「統計学なり機械学習なりを道具として使って、有益な情報を抽出する」というのが大筋になってますね。コロンビア大学のやつは幅広くなってて、データをどう蓄積するかみたいなところも含むらしい。今風だとBigQueryとかも含むのかも。 知能情報コースとしては、統計ベースの話はデータサイエンス …

続きを読む

工学部1年次の共通科目「工学概論」の担当分（1回）を終えました。 本講義を履修することによって、工学の各分野についての知識、技術、考え方を修得する。将来教職に就いた際に、現代社会における工学分野の役割、意義を生徒に伝えることができるようになることを達成目標とする。 教職向け科目で、工学という幅広い知識に触れて貰うために全7コースの教員によるリレー形式で設計されてます。 私の担当回では「検索エンジンにみる情報処理技術」というタイトルで、世界でもっとも強力な9のアルゴリズムを中心に、背景・関連情報を書籍論文出典付きで解説する形をとっています。出典明示されてたら興味のある生徒はその先にも進めるよね、と。 内容については年度毎の様子を見なが …

続きを読む