はてなブックマーク

VPoEとは？CTOとの違い・仕事内容・年収・導入企業・キャリアパス・将来性 最近注目されるエンジニアの職務に「VPoE（VP of Engineering）」があります。CTOが技術の責任者であるのに対して、VPoEはマネジメントの責任者です。チームメンバーの採用や評価などを通してエンジニア組織の成長と開発体制作りに貢献します。 この記事では、VPoEの役割や年収、CTOとの違い、キャリアパス、将来性などについて紹介します。未経験から挑戦する方法や転職・就職についてもみていきましょう。 VPoEとは？CTOとの違い エンジニアにも、様々な役割があります。規模が大きく複雑な工程が必要になるプロジェクトほど、役割の異なるエンジニアがプロジェクトメンバーに加わることになるものです。 エンジニア達を束ねる責任者ともいえるのがVPoE（Vice President of Engineering）で

エンジニアリングマネージャー（EM）とは？仕事・スキル・キャリアパス・将来性 エンジニア組織をマネジメントする役職に「エンジニアリングマネージャー（Engineering Manager、EM）」があります。ソフトウェアやシステム開発の需要がますます高まるなか、IT業界で働く技術職のキャリアとしても注目されています。 この記事では、エンジニアリングマネージャーの役割や仕事内容、必要なスキル、平均年収、将来性など紹介します。それに加え、転職・就職やキャリアパスについても解説します。 エンジニアリングマネージャーとは エンジニアリングマネージャー（EM）は、その名の通りエンジニアのマネジメントをおこなうポジションです。ビジネス界でのデジタル変革が加速するにつれて様々な専門性を持つエンジニアが活躍する世の中になりました。そのため、エンジニアを管理するポジションとしてエンジニアリングマネージャーを

データ基盤とは？種類と用途、データパイプラインとワークフロー管理 データアナリティクスやAI、IoTなどのビッグデータ分析が注目されています。そのようなデータ活用を支えるインフラが「データ基盤」です。データレイク、データウェアハウス、データマートなどデータ基盤の種類や「分析基盤」「機械学習基盤」など用途について知りたいという方も多いのではないでしょうか。 今回の記事では、そのような「データ基盤」について解説します。データパイプラインとワークフロー管理、データエンジニア、SRE、DataOpsなどの最新動向についても紹介します。 データ基盤とは データ基盤とは、分析などに利用するデータを蓄積し、必要に応じて取り出すことができる処理システム群のことを言います。近年、機械学習やディープラーニングなどのAI技術が注目を浴びていますが、それらの業務でビッグデータを活用するためにもデータ基盤が必要です

使える統計モデル10選（後編） 前回の記事では、使える統計モデル10選の前編として、主に回帰モデルに焦点を絞って紹介しました。 今回はその後編に当たる生成モデル編です。生成モデル（generative model）は、端的に言うと、コンピュータシミュレーションによりデータを人工的に作ることができるモデルです。データが作られる過程をうまく表現したモデルを構築することができれば、予測だけではなく異常検知やデータ圧縮など幅広いタスクに応用することができます。 生成系（教師なし系） 回帰モデルと同様、生成モデルも数個のパラメータから構成される簡単なものから、複数のモデルを巧みに組み合わせた複雑なものまで無限に存在します。ここでは、データ圧縮から自然言語処理、ソーシャルネット解析までさまざまなデータ解析のタスクで利用されている代表的な生成モデルを5つ選んで紹介します。また、生成モデルのすべては潜在変

Pythonで作って学ぶ統計モデリング 近年、AIや機械学習、深層学習といった用語に代表されるように、多種多様のデータを高度なアルゴリズムと計算機の力で解析し、将来予測などの価値を生み出す技術に注目が集まっています。 これらの技術の土台となっているのが、本記事で解説する統計モデリング（statistical modeling） と呼ばれる考え方です。元々は手計算が可能なレベルの比較的シンプルな数学的仮定を置いてデータを解析する方法論として発展しましたが、近年の計算機の性能発達に伴い、従来では取り扱えなかったより複雑なモデルを利用した高度な解析を実施する事例が増えてきています。特に、現在実践で広く使われている機械学習のモデルや、複雑な非線形関数を組み合わせた深層学習モデルなども、その多くは突き詰めれば統計モデルの一種であることが言えます。したがって、統計モデリングはそれ自体がデータ解析に対し

データサイエンティスト転職の天国と地獄 人材不足が叫ばれるデータサイエンティストや機械学習エンジニアでは、採用活動も活発化しています。 そんな引く手あまたの人材であれば、転職によるキャリアアップを考えるのも当然ですが。 しかし転職の結果が天国になるか、地獄になるか。 それぞれの顛末を追ってみましょう。 キャリアアップ＝転職なのか？ 実務経験のあるデータサイエンティストは、一部上場企業からベンチャーや外資系など幅広い企業が採用を進めており、いわば売り手市場です。 職務内容や待遇を見て自分のやりたい仕事ができる会社を選んだり、年収アップや責任ある役職に就くなど待遇の向上も可能です。 手間と時間を掛けずとも、新しい職場を見つけることが出来るでしょう。 データサイエンティストの転職先はまさに天国！ 売り手市場で高待遇を約束する会社に転職すれば、天国のような毎日を過ごせるでしょう。 自分がやりたかっ

データサイエンティストに役立つ資格6選！資格取得のメリット、難易度、スキルを解説 企業のデータ活用を推進する上で大きな役割を果たす「データサイエンティスト」。統計学、コンピュータ科学、機械学習などの手法を用いて、ビッグデータと呼ばれる膨大な量のデータを構造化・整理・分析し、企業の新たなアクションにつなげていく仕事です。それらデータサイエンスの実務では直ぐに分析が可能なデータとは限りません。ほとんどの場合にクレンジングや前処理と呼ばれるデータを分析目的にあわせて抽出したり整形したりする作業が必要です。 データサイエンティストとして認められるためには、ビジネスそのものやITアーキテクチャに関する深い理解のほか、統計解析、機械学習、数学などの幅広い知識が要求されます。最近ではエンジニア寄りの立ち位置を求められるデータサイエンティスト求人も増えており、ビッグデータ分析やAI・統計モデルなどのアルゴ

初心者から経験者まで「AIの作り方」を徹底解説 機械学習や深層学習（ディープラーニング）技術を利用した製品が登場したり、ビジネスでの活用が模索されるなかAIという存在が世の中にだいぶ浸透してきました。技術者や分析職でAIに関心がまったくないという方はほとんどいないのではないでしょうか。 しかし、AIの作り方や開発方法となると多くの方が知らないと思います。AIという言葉だけでも難しいイメージがありますし、人工知能は大学の研究者や先端企業が取り組む難解なテーマでもあります。 そのため、個人開発でAIを作るってかなり大変じゃないの？と考える方も多いのではないでしょうか。確かに、まったくの初心者にとってプログラムは大変かもしれませんが、その手前の簡単なAIを試しに動かしてみることはそれほど難しくありません。 この記事では、「自分でAIを作ってみたい」というあなたのために、ごくごく初歩的な内容から、

ベイズ統計・ベイズ機械学習を始めよう コンピュータやネットワークの技術進化により，これまでにないほどの多種多様なデータを取り扱う環境が整ってきました．中でも統計学や機械学習は，限られたデータから将来を予測することや，データに潜む特徴的なパターンを抽出する技術として注目されています．これらのデータ解析を行うためのツールはオープンソースとして配布されていることが多いため，初学者でも手軽に手を出せるようになってきています． しかし，データ解析を目的に合わせて適切に使いこなすことは依然としてハードルが高いようです．この原因の一つが，統計学や機械学習が多種多様な設計思想から作られたアルゴリズムの集合体であることが挙げられます．毎年のように国際学会や産業界で新たな手法が考案・開発されており，一人のエンジニアがそれらの新技術を１つ１つキャッチアップしていくのは非常に困難になってきています． １つの解決策

機械学習の代表的なアルゴリズム19選 機械学習をはじめとしたAI技術がさまざまな場面で利用されるようになっており、データサイエンティストは、解析に使用するデータやアルゴリズムを調整して機械学習モデルを作成します。 機械学習を活用するには「教師あり学習」「教師なし学習」といった学習手法を選択し、レコメンド、需要予測、異常検知などの目的に応じてアルゴリズムを使い分ける必要があります。 今回の記事では、データサイエンスやAI開発実務でよく利用される「機械学習アルゴリズム」について特徴や用途などを中心に紹介します。 線形回帰 線形回帰は、統計分析の基本としてよく用いられている理論です。回帰分析では、変数xと相関関係のあるyの値を予測できます。1つの従属変数yと、1つあるいは複数の独立変数xの関係を予測するわけです。比較的単純なモデルである線形回帰は、売上予測や保険会社のリスク評価などのビジネス利用

データサイエンティストのスクール比較・おすすめ講座・コース7選 データサイエンティストや機械学習エンジニアといった人工知能（AI）技術に関わる職種の需要が伸びています。それに伴い、データサイエンティスト教育や育成、転職支援などをおこなうスクール・塾・通信講座も増えてきました。 入学や受講を検討するうえで、未経験でも本当にデータサイエンティストになれるかどうかは気になるポイントでしょう。また、各講座の料金・費用、スクール選びの基準や評価方法について知りたいという方も多いのではないでしょうか。 この記事では、Python、R、数学、統計解析などを体系的に学びデータサイエンティストのスキルを身につけることができるおすすめ講座・スクールを厳選して紹介します。

機械学習基盤／ML Opsとは？運用課題と解決できること・DevOpsとの違い 機械学習モデルを構築して実際のビジネスに活用する組織が増加するなか、DevOpsのML版ということで注目の高まっているキーワードにML Ops（エムエルオプス）があります。 システム構成やインフラ基盤のアーキテクチャ、モデル作成から本番反映のプロセスといった運用に関して、Machine Learning特有の課題なども見えるようになってきました。 今回の記事では、そんなMLOps/機械学習基盤で実現できること、MLの開発サイクルや機械学習の課題、DevOpsと異なる点、OSSなどの技術要素を紹介します。 MLOpsとは MLOpsとは、Machine Learning（マシンラーニング＝機械学習）の開発側（ML）と運用側（Ops）が協調し合い、実装から運用までの流れを円滑に進める管理体制（機械学習基盤）を意味し

データエンジニアとは？仕事内容から年収、必要スキル、資格まで徹底解説 データアナリティクスやAI技術の発展により、データサイエンスに取り組む企業が増加しました。それに伴い「データエンジニア」という職業が注目されています。データ処理システムの構築だけでなく、運用や機械学習などにも関わる職種です。要求されるスキルの幅は広いですが、将来的な需要が高く長期的なキャリア形成が可能な職種といえるでしょう。 今回の記事では、そんなデータエンジニアの仕事内容、気になる年収と給料、なるために必要なスキル、取得したい資格などを紹介します。 データエンジニアとは データエンジニアは、大規模なデータの活用を支える基盤構築と運用の専門職です。インフラ・データベース・開発などITエンジニアとしての基本スキルに加え、ビッグデータを扱うための分散処理やデータマネジメントに関するスキルが要求されます。 活躍する場所として機

データサイエンティストとデータアナリストの違い、背景、今後の動向 データ分析に関連する職種として「データサイエンティスト」と「データアナリスト」があります。これら2つの職業は業務区分や定義があいまいで混同されやすく、エンジニア職種である「データエンジニア」とも業務内容が重なる場合もあり仕事探しや転職では注意が必要です。 今回の記事では、データサイエンティストとデータアナリストの違いを中心に解説します。他のデータサイエンス関連の職種や求人需要、今後の動向についてもみていきましょう。 データサイエンティストとデータアナリストの仕事の違い、職業上の区分 データサイエンティストは、統計学、数学、情報科学（コンピュータサイエンス）といった高度な知識を活用してデータを駆使する職種です。ビジネスに関する知識とともに研究者のような探求心が求められます。機械学習やディープラーニングなどAIに関連する職種とし

今回は、DevOps、MLOps分野でフリーランスのバックエンドエンジニアとしてのキャリアを歩む勝又 健太氏（@poly_soft）に、フリーエンジニアとしての仕事内容、Web系から機械学習への転向の経緯、未経験者が機械学習を仕事にする際のポイント、エージェントサービスについて伺いました。 フリーエンジニアとしての仕事内容とMLOps業務について ご参画中の案件についてお聞かせください 現在は、大規模情報ポータルサイトを運営するクライアント先で機械学習チームのメンバーと一緒に機械学習系サービスの開発・運用を行っています。最近流行りの用語でいうとMLOps（エムエルオプス）というポジションです。Machine Learningシステムのオペレーション部分を担当するので、システムを安定的に稼働させつつ新しい機能のリリースサイクルを速めていくためのテクニカルな部分を担当しています。 先方では以前

機械学習ライブラリ・ディープラーニングフレームワークおすすめ15選：特徴・便利な点・利用方法など 機械学習・ディープラーニングなどAI技術を身近にしたものにライブラリ・フレームワークがあります。機械学習系の実務でもライブラリを使用するケースは多く、ITエンジニアなどプログラミング経験者が初めて機械学習（Machine Learning）／ディープラーニング（Deep Learning）を学ぶ際には、まずはライブラリを使用し簡単なコードを書いてみることもおすすめです。 ただし、ライブラリ・フレームワークは万能ではありません。実現したい内容に応じてどのライブラリを使用するか選択する必要がありますし、ライブラリが手助けしてくれる部分のほかは開発が必要です。 また、機械学習に利用できるライブラリやフレームワークは豊富にあるため、それぞれの特徴やメリット・デメリットについて俯瞰して知りたいという方も

言語 ABAP Access VBA Bash C C# C#.NET C++ Clojure COBOL css Dart Elixir Erlang Excel VBA Go GraphQL Groovy Haskell HQL html Java JavaScript JRuby Julia Jython Kotlin MATLAB Objective-C Perl PHP PL/I PL/SQL PowerShell Prolog Python R Ruby Rust Scala scss ShellScript Solidity SQL Swift TypeScript VB VB.NET VBA VBScript VHDL Vim Visual C++ WebAssembly ×閉じる 環境・ツール 分析ツール Tableau Google Analytics SPSS SAS

エンジニア、データサイエンティスト、アナリスト AI人材が最初に登録する フリーランスエージェントサービス 150万円/月など高単価案件が多数、最短即日からご紹介 正社員からの独立もサポート