（2015 年 6 月 3 日に行った慶応大学での講義の原稿です。2016 年版はこちら） 今回の講義ではスタートアップに関する Y Combinator での考え方、特にプロダクトの作る上での考え方を中心にお伝えします。 Y Combinator というのは、US でもっとも成功しているスタートアップのアクセラレーター、日本語で言えば養成所となるでしょうか。4,000 を超える応募の中から選ばれた約 100 のスタートアップは Y Combinator に三ヶ月間参加し、その期間中に一気にビジネスを加速（アクセラレート）することができます。実際に Dropbox や Airbnb といった、皆さんの知るサービスを提供しているスタートアップや、その他様々な分野の時価総額 10 億ドルを超えるスタートアップを Y Combinator はこれまで続々と輩出してきました。 Paul Graha

div.hs-menu-wrapper > ul > li" data-pacnav-mobile-width="820"> AISIA AIの実用化 外観検査システム ブログ はじめに 機械学習には「教師あり学習」、「教師なし学習」、「強化学習」という3つの学習方法があります。そして、その背後には「回帰」、「分類」、「クラスタリング」などの統計学があり、解を求める方法として「決定木」、「サポートベクターマシーン」、「ｋ平均法」など多くのアルゴリズムがあります。 「学習方法」と「統計学」と「アルゴリズム」。いったいこの三角関係はどうなっているのでしょうか。まず、「学習方法」と「統計学」の関係から紐解いてみます。 機械学習法と統計学 まずは図1をご覧ください。「教師あり学習」、「教師なし学習」、「強化学習」という3つの学習方法と「回帰」「分類」「クラスタリング」といった統計学の関係をパッと図

私が2012年にニューラルネットの逆襲（当時のコメント）というのをブログに書いてからちょうど5年が経ちました。当時はまだDeep Learningという言葉が広まっておらず、AIという言葉を使うのが憚られるような時代でした。私達が、Preferred Networks（PFN）を立ち上げIoT、AIにフォーカスするのはそれから1年半後のことです。 この5年を振り返る良いタイミングだと思うので考えてみたいと思います。 1. Deep Learning Tsunami 多くの分野がこの5年間でDeep Learningの大きな影響を受け、分野特化の手法がDeep Learningベースの手法に置き換わることになりました。NLP（自然言語処理）の重鎮であるChris Manning教授もNLPで起きた現象を「Deep Learning Tsunami」[link] とよびその衝撃の大きさを表して

製品のドキュメンテーションの参照、コミュニティ フォーラムへの参加、リリースノートの確認などは、ヘルプセンターをご利用ください。

この部分は需要が高いと思ったので、以下の自分の投稿から抜粋。 TensorFlowのチュートリアルを通して、人工知能の原理について学習する http://qiita.com/jintaka1989/items/3b70b5c5541620536fa2 以下のことについて知りたい人向けの記事。 ・各機械学習ライブラリの比較 ちなみに私はTensorFlowしか触っていないので、 この記事はブログなどを探索して、それをまとめたものである。 追記：実際にライブラリをいろいろ使ってみた人の感想はこちら https://speakerdeck.com/contaconta/deep-learningraiburari-se-tukatutemitagan-xiang-matome ■他の機械学習ライブラリとの比較 他の機械学習ライブラリと比較するとなると、そのための開発環境を整えなければならない。よ

一発で特徴を理解する google製のニューラルネットワーク最新ライブラリでハイレベルな機能実装の他、グラフで計算を表すような可視化をすることもできます 特徴の詳細を理解する TnesorFlowは、Googleが「Google　Brain」というプロジェクトのもとで開発を行っているニューラルネットワークの最新ライブラリです。 ニューラルネットーワークとは、人間の脳を再現した仕組み（と言われていますが、実際には別の分野の様々な技術も使われています）のことですが、現在もっとも注目されいているといっても過言ではないでしょう。ハイレベルな機能を実装することができ、計算をデータフローやグラフで表すことができます。ライブラリの内部はおよそC++で作られていていますが、Pyhonも含まれており柔軟に使用できる構造になっていて文法が「Theano」よりも簡単です。 また、最近ではChainerやPyTo

scikit-learnのアルゴリズム・チートシートで紹介されている手法を全て実装し、解説してみました。 注釈 本記事シリーズの内容は、さらに丁寧に記載を加え、書籍「AIエンジニアを目指す人のための機械学習入門 実装しながらアルゴリズムの流れを学ぶ」 として、出版いたしました。 概要 scikit-learn アルゴリズム・チートシート 【対象者】機械学習を使用したい方、初心者向けの機械学習本を読んで少し実装してみた方 scikit-learnの説明は英語で分かりにくいし、実装例もシンプルでなくて、よく分からんという方 【得られるもの】模擬データを用いて、各手法を使用したミニマム・シンプルなプログラムが実装できるようになります。 アルゴリズムの詳細な数式は理解できませんが、だいたい何をやりたいのか、意図と心、エッセンスが分かります。 アルゴリズムマップの手法をひとつずつ実装・解説します。

新入社員のこばかなさんが、「こばかなスケッチ」という自分企画を頑張っている。THE GUILDでの日々の仕事と、読書で学んだことを、一枚のスケッチにまとめるチャレンジだ。 第三回はこの絵。「穴あきバケツの成長モデル」のお話。 サービスの成長を「バケツと水」に例える様々なビジネス指標の中で、「継続率」こそが最重要だと考えている。売上よりも、PVよりも、DAUよりも、「継続率」がもっとも尊い。 そんな継続率を大事にしつつ、サービスを着実にグロースさせるモデルが、「穴あきバケツの成長モデル」だ。 このモデルは非常にシンプルだ。一言で表すと以下のようになる。 「サービスとは穴の空いたバケツであり、マーケティングという蛇口から新規ユーザーを流し込んでいる」 ・バケツ: サービス。 ・蛇口: マーケティグ等の流入経路 ・蛇口からの水: 新規流入ユーザー ・溜まった水: アクティブユーザー ・バケツの穴

プロダクトマネジメントは多くのソフトウェア企業が重要だと認識している役割だ。それにもかかわらず、「 プロダクトマネジメント」を正確な言葉で定義することは驚くほど難しい。自らを「プロダクトマネージャー」と呼ぶ人々は、企業ごとに全く違うこと… 記事によれば、プロダクトマネージャーはこれらの領域を健全に機能させることが役割であり、 機能がなければ自分で役割を演じたり、補う方法を見つける （たとえばデザイナーがいなければ、自分でデザインを行ったりデザイナーを雇う）「開発者-ビジネス」「ビジネス-顧客」「顧客-開発者」の融合領域における、各種の複雑さや衝突、トレードオフの統合を行うといったことが PM の職責であると理解しています。 逆に言えば、これらを俯瞰して見ることができる能力が PM には求められています。そうした意味で、PM は様々なことを広く学び、組織やビジネスの変化に柔軟に対応できる必要

技術なきマネジメントの衰退とその対策 - メソッド屋のブログ Mob Programmingって初めて聞いたけど、とてもいい方法に思える。 コードを書く時に、今現在の仕様はわかっていたとしても、今後どうなるか、どういう方向に発展するのか気になって、ビジネス的にその分野に詳しい人の所に聞きに行ってから書きはじめることがあるし、性能的に大丈夫かDBに詳しい人の意見を聞いたり、何か迷った時に過去のプロジェクトで似たようなケースをどっちの方法で解決したか調べたりすることもある。 書き出すとすぐ終わる短いコードでも、書き出す前に、聞きにいったり議論したりする時間が随分かかっていることもある。この時間をかけないと、結局、後で変更になるので、先に聞きにいくのがベターなんだが、チーム全員集まってひとつのコードを書けば、そういう時間を省略できるような気はする。 だから、これが生産性が高いということは感覚的に

今回は、マイクロソフトにいて自分が感じているIT業界の大きなスタイルの変化の兆候とその対策について書いてみた。今回もいつも通り、単に自分の意見をシェアしているだけであって、他の人にどうこうしろと言いたいわけではない。ただ、日本のIT業界が米国に追いつき、追い越すための議論のきっかけになるといいなと思っている。自分も楽しみながらも、もがいていることと、そこで見えた光について書いてみたい。 世界は「技術力」の重視に向かっている 私のキャリアは、某大手SIerを12年勤めた後、ITコンサルティング企業に３年在籍して、主に超上流を実践した。その後独立し、ビジネスモデリングから、アジャイルや、DevOpsの導入支援、マネジメント、開発などを実施していた。 私がマイクロソフトを受けてみようと思ったのは、友人からの推薦の要素が大きかったのだが、その背景では、海外で勤務したいという希望があったのと、「技術

facebookを立ち上げたマーク・ザッカーバーグの、ハーバード卒業スピーチを今更ながら聞いた。イノベーターによる卒業スピーチと聞いて真っ先に思い浮かぶのが、スティーヴ・ジョブズのスタンフォード大学スピーチ。同じIT起業家ということもあり、どうしてもマーク・ザッカーバーグのスピーチと比較してしまう。スティーヴ・ジョブズのスピーチ内容はあまり覚えていないけれど、個人の人生の歩み方について、自身の経験を踏まえ語ったような内容だった。今回のマーク・ザッカーバーグのスピーチも大学卒業後の生き方を説く内容ではあるんだけど、個人の生き方というよりはむしろ、社会に対する関わり方みたいな話だった。スピーチの内容について、ところどころ噛み砕いていきたい。 ミレニアル・ジェネレーション ミレニアル世代の挑戦 世の中を良くする大きなこと 社会システムの再構築 ローカルをグローバルに ザッカーバーグは問いかける

「品行方正な中国人」が急増する？ 中国では今、個人の信用情報を活用し、人々の日常行動を管理する動きが加速している。 ざっくり言うと、政府と民間企業が協力して全ての国民の信用情報を収集、分析し、いわば「丸裸」の状態にした上で、「信用」をテコに人々の行動を変えていく。「信用が低いと何もできないが、信用が高ければ非常に暮らしやすい」社会を意図的に構築する──ということである。信用情報のネガティブ面のチェックよりも、行動を「良い方向」に導こうという明確な意図を持っている点に大きな特徴がある。 それが可能な背景には、中国社会のプライバシーに関する観念の違いがある。「快適かつ安全な社会の実現はプライバシーに優先する」のが現在の中国社会のコンセンサスである。 個人の信用度によって個人の「できること」に大きな格差がつく。公開される信用度が高ければ、生活の様々な面でメリットを享受できる反面、例えば「公共料金

Googleのクラウドは間違いなく世界最大規模のコンピュータシステムです。膨大なハードウェアとソフトウェアから構成されるこの巨大なシステムを、同社はどうやってセキュアに保っているのか。そのことを解説したホワイトペーパー「Google Infrastructure Security Design Overview」が公開されました。 ホワイトペーパーには、Googleのデータセンターを構成するデバイスの1つ1つにまで独自のセキュリティチップを組み込んで正規のデバイスかどうかを相互に認証するという物理レベルのセキュリティから、何層のものロードバランサーからの情報を集約してDos攻撃を検知すると、その通信を破棄するといったDoS対策。 そしてマシンも従業員もサービスも包括するグローバルな名前空間など、きわめて広範かつ綿密なセキュリティ施策が説明されています。 クラウドがいかに高度なセキュリティで

「エロマンガ読み放題サービス」と銘打ち、成人向けコミック雑誌がPCやスマホで楽しめる「Komiflo」（コミフロ）が、1月13日（金）から、事前登録者に随時サービス提供を開始している。 KAI-YOU.net編集部が問い合わせたところ、サービスの完全スタートは14日（土）の午前5時を予定している。 さらに、現状は「ワニマガジン」の雑誌を配信しているが、今後は他社刊行物やオリジナルコンテンツの提供も構想中と明かされた。 月額980円でバックナンバーも読み放題 Komifloはサービス開始時、ワニマガジン刊行の成年コミック雑誌『快楽天』『失楽天』『快楽天BEAST』『X-EROS』を読み放題の対象にしており、利用料金は月額980円（税抜）。最新号だけでなく、過去8ヶ月分のバックナンバーも閲覧できる。 しかしながら、『快楽天』をはじめとしたワニマガジン刊行の雑誌は、AmazonのKindleスト

会員事業部の有賀(id:chezou)です。 今年一年、社内では勝手に"Jupyterの伝道師"を標榜してJupyter notebookの普及活動を展開してきました。 先日、社内でハンズオンも行ったおかげもあり、かなり社内のマシンにPython環境が構築されてきました :) Jupyter notebookとは？ ひとことで言うとブラウザで動くすごい便利なREPL*1です。 百聞は一見にしかず、見てみましょう。 このように、Rubyの対話環境であるpryを触っているようにインタラクティブにコードを書くことができます。 以降で説明をしますが、Jupyter notebookは記録・共有・再現がとても得意です。特に図表があるときにその効果を発揮します。 Jupyter notebookの良い所 過去のコードを改変、再実行できる セルと呼ばれる入力部分にはMarkdownやコードが記述できます

このエントリについて 2種類の要件 性能要件のテスト offline と online offline 性能テストの自動化 A/B テストはすぐにほしい 機能要件のテスト 性能テストのみで十分なのでは？ テストデータ生成 機能テストをいつ作るか まとめ このエントリについて ポエムです。 11/8(火) に開催された Cloudera World Tokyo 2016 に参加しました。 大規模データに対するデータサイエンスの進め方 #CWT2016 (以下、発表 1) データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016 (以下、発表 2) その中で上記の2つの発表がとてもいい話でした。 多少絡みのある内容として機械学習を利用するプロダクトのテストについて述べたいとちょっと前から考えていたので、いい機会なので