IT未経験からMLエンジニアになるまでの2年半でやったこと - MLaaSS - Machine Learning as a Self-Satisfaction
はじめに 自身の転職活動にあたり皆さんの転職エントリが非常に参考になったので、私も同じ境遇の方の参考になればと思い、書き残すことにしました。（ただ、本当に私と似た境遇の方にはなかなかリーチしづらい気がしていますが・・・） TLDR; 30歳でIT未経験からMLエンジニアに転職 約2年半独学で勉強（ほとんどkaggleしてただけ） 無関係に思えた現職での経験もなんだかんだ転職で役に立った 目次 自己紹介 現職について 転職の理由 勉強したこと 転職活動 終わりに 1.自己紹介 かまろという名前でTwitterなりkaggleなりをやっています。kaggleでは画像やNLPといったdeep learning系のコンペを中心に取り組んでおり、2019年の9月に金メダルを獲得しMasterになることができました。 恐らくここが他の転職エントリを書かれている方々と大きく異なる点かと思うのですが、現職
「Python」「R」「Jupyter Notebook」「Tableau」「Keras」が愛用される理由
関連キーワード BI（ビジネスインテリジェンス） データと分析は、デジタルトランスフォーメーションやデジタルディスラプション（デジタル時代の創造的破壊）を引き起こすガソリンになる。そして、企業がこのガソリンをハイオクに変える方法は1つしかない。それは、統計学者、数学者、ビジネス分析専門家のチームに適切なデータサイエンスツールを提供し、増大し続ける企業データのプールから洞察を引き出すことだ。 純粋な統計分析、機械学習のモデリング、視覚化など、その用途が何であれ、データ駆動型のビジネス文化を発展させるには強力な一連のデータサイエンスツールが欠かせない。 さまざまな業界に身を置く多数の経験豊かなデータサイエンティストと情報交換を行い、各自が最も使用しているツールについてインタビューした。本稿では、その中で何度となく名前が挙がった上位5つの厳選されたツールを紹介する。 併せて読みたいお薦め記事 進
Kaggle奮闘記 〜塩コンペ編〜 - phalanxの日記
【この記事は、「ミクシィ19新卒 Advent Calender 2018」の23日目です。】 はじめに phalanxのスペック 開発環境 Hardware Software コンペ概要 本コンペティション開催の背景 タスク データ コンペの取り組み コンペ開始〜１ヶ月 ベースラインモデル作成 論文サーベイ・実装 OsciiArt Kernel １ヶ月〜２ヶ月 Spatial and Channel Squeeze and Channel Excination Feature Pyramid Attention for Semantic Segmentation Snapshot Ensemble Lovasz Hinge Loss モデル構築・学習 bestfitting降臨 ２ヶ月〜最終日 multi step pseudo labeling チームマージ、data leak おわり
データマイニングの話詰め合わせ
2. 自己紹介 • ところてん • @tokoroten • 株式会社NextInt 代表 • 怪文章職人 • 最近の活動 • データサイエンティスト養成読本 ビジネス活用編 • 最近のお仕事 • 機械学習顧問（4社） • スマホアプリミドルウェア屋 • SIer • ECプラットフォーム • データ分析企業 • 新規事業コンサルティング（1社） • ゲームディレクター(1社) ↓共著 ↓寄稿↓共著 3. 目次 • 相撲の八百長を統計で見つける • 演習：論文を探してみよう • ソシャゲのガチャが壊れた話 • ソシャゲのランキングイベントの話 • Kickstarterにおける不正を見つけよう • 人工衛星と画像処理と金融 • その他、雑多な話いろいろ
開発現場に“データ文化”を浸透させる「データ基盤」大解剖
「ゼクシィ縁結び・恋結び」の開発現場において、筆者が実際に行ったことを題材として、「データ基盤」の構築事例を紹介する連載。最終回は、「データ活用文化を、どのように組織に装着するか」についてお伝えします。
数年以内に職場への導入が始まる6つの技術――Gartnerが解説
数年以内に職場への導入が始まる6つの技術――Gartnerが解説：チャットbotや仮想アシスタント、拡張アナリティクスなど Gartnerは、2～5年以内に広く導入されるようになると予想した6つの「デジタルワークプレース技術」について解説を公開した。いずれも職場での働き方を大きく変える可能性を秘めている。 Gartnerは2018年8月30日（米国時間）、7月に発表したハイプサイクルレポート「Hype Cycle for the Digital Workplace, 2018」（デジタルワークプレースのハイプサイクル：2018年）で「2～5年以内に広く導入されるようになる」と予測した技術について、解説を公開した。 同レポートは、合計40の技術を取り上げており、今後10年間にデジタルワークプレースのビジネスパフォーマンスにどのように影響するかを説明している。 今回、そのうち6つの技術について
人口、労働、賃金、社会保障などについての統計データをどう調べればよいか？｜野口悠紀雄
◆人口 ・人口の長期時系列データ 人口というのは最も基本的な統計データだが、検索エンジンで「人口」と検索しても、どこを見たらよいか分からないだろう。 e-Statには人口の統計があるらしいと分かるが、長期の人口統計がどこにあるか、分からない。探し出しても、いくつかの期間に分かれていて、使いにくい。 私が探した限りでは、『日本統計年鑑』にあるこのデータ集が最も使いやすい。ただし、昔は長期に連続した表だったが、いまでは1920年で２つの表に分かれてしまっていて、やや使いにくくなった。 ・人口統計資料集 国立社会保障・人口問題研究所による統計資料集。 江戸時代の人口や世界の人口についての資料も、「Ⅰ．人口および人口増加」率の中にある。 ・将来人口推計 https://www.ipss.go.jp/pp-zenkoku/j/zenkoku2023/db_zenkoku2023/db_r5_suik
データサイエンティストさんっ！ 育成ですよ、育成！｜マスクドアナライズ
「ドームですよ、ドーム」と言えば「闘強導夢」ですね（挨拶）。 IT業界だけでなく様々な業種業界で需要の高まる「データサイエンティスト」ですが、優秀な人材は東京ドームでコンサートが出来るアイドル並に希少です。 ココらへんは地下アイドルと同じく「名乗ったもの勝ち」な側面もあり、全く役に立たない"自称"データサイエンティストも存在します。 では「優秀なデータサイエンティストをどう確保するか」という課題に向き合う事ことが、今回の趣旨となります。 ここでデータサイエンティスト不足に悩む、弊社の状況をまとめてみました。 ・都内のAIベンチャー ・設立数年なので知名度はまだ低い ・今年になって取引先や案件が増えてきた ・社員数は20人いない程度でエンジニア中心 ・可能であれば他社で実績や経験のある即戦力を採用したい ・社内データサイエンティストのOJTによる育成も検討 ・給料はそんなに高くない ・毎日K
富士フイルムに聞く、ビジネス価値を生み出すデータ活用基盤の作り方
富士フイルムに聞く、ビジネス価値を生み出すデータ活用基盤の作り方：本当に大切なのは、データの量ではなく「質」 ビジネスが「体験価値の競争」に変容している今、データ活用の在り方が企業の競争力に直結する状況となっている。だが多くの企業では、社内にデータが散在している、必要なデータがそろわずすぐに分析を行えないなど、課題が山積しているのが一般的だ。では一体どうすればデータを競合他社との差別化にスピーディにつなげることができるのだろうか？ データを使った製品・サービスの差別化を実現している富士フイルムホールディングス 経営企画部 IT企画グループ長の柴田英樹氏と、企業のデータ活用を支援している日本IBM クラウド事業本部 技術統括部長 大塚知彦氏の対談に、その解を探る。 デジタルトランスフォーメーション（DX）のトレンドが進展し、ビジネスは「洞察力を武器とする価値創出の戦い」に変容している。「より
どのようにデータ基盤を作ったのか？「俺の考えた最強のデータ基盤」は使われない
どのようにデータ基盤を作ったのか？「俺の考えた最強のデータ基盤」は使われない：開発現場に“データ文化”を浸透させる「データ基盤」大解剖（3）（1/2 ページ） 「ゼクシィ縁結び・恋結び」の開発現場において、筆者が実際に行ったことを題材として、「データ基盤」の構築事例を紹介する連載。今回は、「データ基盤」の開発プロセスについてお伝えします。 「使われるデータ基盤」を構築するために筆者が取り組んだ試行錯誤を紹介する本連載『開発現場に“データ文化”を浸透させる「データ基盤」大解剖』。前回はデータパイプラインを支える基盤システム設計について解説しました。第3回となる今回は開発プロセスについてお伝えします。 なお、技術要素としてはPythonやBigQuery、ツールとしてGitHubやJIRAを扱いますが、他の手段でも代替可能な内容です。細部にとらわれずにご自身の担当する業務や組織に当てはめながら
KaggleのCTR予測コンペで上位10%に入るまでの試行錯誤 - yasuhisa's blog
週末KagglerとしてavazuのCTR予測コンペに参加しました。Kaggleは機械学習版のISUCONだと思ってもらえばよいです。コンペ自体は終わっているので、late submiteであまり意味はないかもしれません、練習です。leaderboard上で上位10%以内に行けたので、そこまでの試行錯誤をメモしておきます。謎ノウハウ(?)を持っているガチ勢じゃないと上位に行けないものかと思っていましたが、基本に忠実にやればこれくらいの順位(上位7.6%)に行けましたし、他の人の工夫を垣間見えるという意味でも現場の機械学習やり始めたエンジニアにお薦めできそうでした。 参加の動機 目標感: 頑張りすぎずに上位10%以内に入る 試行錯誤 AthenaとRedashによる探索的データ解析 ベンチマークをまず超える 線形分類器でシンプルな特徴量 時系列要素を忘れていて過学習発生 特徴量エンジニアリン
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
