はてなブックマーク

TL;DR 最近幼児教育に関する本を読んでいるので、良かったものをまとめておく 一番良かったのは「米国最強経済学者にして２児の母が読み解く 子どもの育て方ベスト」 子が産まれたので子育てをしてるが、この機会にと思って幼児教育に関する本をガッと読んでいる。 他人にお薦めされたり軽く調べてよさそうなものを読んだりしているが、結構似てる話をしているものも多く、なんとなく全体的な雰囲気は掴めてきた。 これ以上あれこれと読まなくてもいいかなと思えてきたので、読んできた本の中で良かったものを 3 つ挙げておく。 自分と似たような思考の人であればとりあえずこの 3 つをお薦めしておけばいいかなという気がしている。 米国最強経済学者にして２児の母が読み解く 子どもの育て方ベスト Amazon link: https://www.amazon.co.jp/dp/B08WYPWYKB/ref=dp-kindl

TL;DR 組織開発の中でも特に組織構造を最適にするという点に注目する 変化が早いスタートアップ企業では、問題に対する解像度が高く課題感を感じている人が組織構造を変更できる仕組みがあると不確実性の変化への対応力が高まる Ubie Discovery での組織開発は、組織をコードベースに見立てて PR を送りそれを反映することで改善していくものと考えると理解しやすい Ubie Discovery ではみんな（これは正確には全員ではないので後で説明する）プロダクト開発もやるし組織開発もやると聞くけど、組織開発というのは何をどうやっているか具体的にイメージが湧かない、という話をカジュアル面談などでよくされる。 仮に自分が社外の人だったとしたらという観点で Web 上で情報を調べてみると、概念と大枠を理解できる記事として Holacracy の記事 https://note.com/ubie/n/

TL;DR BigQuery で分析する際の tips をまとめてみる。長くなりそうなのでいくつかに分割して書く part1 はエディタとして何を使うかとか実行結果の連携などについて書く BigQuery console/DataGrip を使いつつ、結果を GitHub issues/Google Sheets/Bdash Server で共有するという感じで使っている 仕事で BigQuery を使って分析することが多いので、いくつかの回に分けて BigQuery を使って分析する際の tips をまとめていくことにする。今回は part1 としてエディタとして何を使うかとか実行結果の連携などについて書く。 個人的な探索的・アドホック分析用途の話に限定して、組織的にどういうデータ分析基盤を使うかとかそういう話はしない（会社だと ETL の L として dbt https://www.g

TL;DR 興味があったので Launchable の @yoshiori さん @draftcode さんとカジュアル面談をした テストをはじめとしてソフトウェアエンジニアリングの生産性をデータドリブンで改善していくというのはめちゃ面白そう 自分は現段階では転職意思がないけど、機械学習エンジニアで興味ある人は言ってくれればおつなぎします！ Ubie Discovery に転職して一年半が過ぎた。 日々楽しく働いているのだが、ご時世も相まって外の情報を得ることが少ないのはちょっと残念だなぁと思うことがある。 他の会社の人の話を聞くのは面白いしためになることも多いので、またそういう活動も少しずつやってみようかなと思い始めた。 そんな折に Launchable https://www.launchableinc.com/ で Machine Learning Engineer の positi

TL;DR ちょっとした仕事で GAS を使うときがある ローカルで clasp と TypeScript を使って開発する環境を整えた（が、いまの自分の用途ではここまでしなくてもよかった） 完全に忘れそうなので備忘録としてブログに残しておく 仕事で Google Workspace を使っていると、そのサービスを使ったちょっとしたタスクをするときに Google App Script (GAS) を使う時がある。 ちょっとしたコードにトリガーを設定して定期実行するというのも便利だったりする。 スクリプトエディタで書いてたりもしたが、Git/GitHub での管理がしづらかったり、ローカルでの開発環境を提供する clasp https://github.com/google/clasp が TypeScript をサポートしているという話を知ったり（だいぶ遅い）して、せっかくなのでローカル

TL;DR Ubie 株式会社に入社して一年くらい経ったので振り返りをする 改めてデータ分析/機械学習で何がしたいのかを考えているが、自分はデータから普遍的な知識を得たい人間で、その観点では（まだまだ先は長いけど）やりたいことができている 人によって目的は色々だと思ういますが、みなさんはどうですか？ Ubie 株式会社に入社して 1 年以上経過したので軽く振り返りをしつつ、そもそも自分はデータ分析/機械学習で何がしたいんだっけというのを改めて言語化してみるエントリ。 ここしばらくは採用の文脈以外で他の会社の人と話すことが少なくて物足りないところもあるので、自分はこうだな〜という意見があればぜひ教えてください。 一年間を振り返ってみる まず何よりも、勤続一年一ヶ月を達成している自分を褒めたい。凄いぞ自分。偉いぞ自分。 勤続一年一ヶ月という圧倒的事実が示唆しているように、（労働の辛さはもちろん

TL;DR リモートワークでより一層作業ログを残すのは重要になったが、Jasper での管理がめちゃくちゃ捗る 分析系のタスクは SQL クエリだけだと情報が不十分なことが多く、作業ログに過程を残しておくと便利 チームで同じように作業ログを残しておくと作業追いやすいしコメントとかも随時入れられるのでよい リモートワークがメインになって久しいが、リモートワークはスッとお布団で昼寝とかできたりして最高なので、今後もこれが自分の標準的な働き方になる（少なくとも必要な時はいつでもリモートで働けるようにする）という感じがする。 リモートワークがメインになって色々と変わったけど、その中でもこのエントリでは作業ログを残すことについて、いま自分（もしくはチーム）がどういう感じでやっているかを残しておこうと思う。 リモートワークになって作業ログを残す重要性はより一層高まった。 社内 wiki に日報を書くと

TL;DR 機械学習のアルゴリズムには詳しくなりたいけど実装はしない、という立場の人向けの学習資料まとめ 知人向けで、具体的には同僚医師がターゲット読者（めちゃ狭い！）だが、一定度他の人にも役に立つかも 改めて色々眺めてみてやっぱり大学の講義は質の高いものが多いと思った 知人が機械学習のアルゴリズムを学びたいと言っているので、オススメの資料などを見繕ってみるブログエントリ。 機械学習への関わり方を雑にアルゴリズムと実装で分けた場合に、アルゴリズムには詳しくなりたいけど実装をするわけではない、という立場の人向けである。 このようなタイプの人はそんなにいないと思うけど、具体的にはドメインエキスパートとして機械学習エンジニアと一緒にアルゴリズム・データ改善に取り組んでいて、アルゴリズムでどんなことをやっているかをちゃんと理解したい、みたいなのが一例となる。 なんとなくのイメージ的な理解だけだと、

TL;DR 求職活動の結果 Ubie 株式会社に入社することにしました 決め手は「ストーリーを語りたくなるような仕事ができそう」だから エンジニアも絶賛募集中なので、一緒に働きましょう！ https://note.com/ubie/n/n454a0d04a1eb 最近は求職活動に勤しんでいましたが、色々な人に話を聞いたり実際に選考を受けた結果 Ubie 株式会社 に入社することにしました。 このエントリは、私の求職活動を振り返りつつ、その過程でお世話になった人々への報告に代えさせていただこうというものです。 求職活動の経緯に関しては以下をご覧ください。 ついに求職活動をすることにしました。 機械学習エンジニア/リサーチャーのポジションで求職中です。 関係各位の方々、よろしくお願いします。 詳しくはブログで！https://t.co/2X2SuHyE5G — Yohei KIKUTA (@y

TL;DR PDF ファイルは こちら GitHub repository は こちら 無料で公開してますが、役に立ったという人はぜひ BOOTH の商品 を買っていただけると！（内容は同じです） 技術書典 8 で販売しようと思っていた adversarial examples の本を公開します。 技術書典、初参加の予定だったので楽しみだったんですが、中止となってしまったのは残念です（致し方ないですが）。 運営の方々は大変な決定だったと思います、改めてこの場で労いと感謝の意を表明しておきます。 オンラインで開催されるという話ですが、元々は 2 月末に出そうと思って準備していて一通りは完成したので、ここで公開しておきます。 （オンラインで開催されるようならそちらにも出したいとは思っています） 本とコードをセットで書きました。 自分は有料じゃないと見れない情報とか好きじゃないので、無料で公開し

TL;DR 一年間無職生活をした結果 2,973,667 円掛かった 独身プログラマなら少し働けば貯めることができる額なので、気軽に無職になって人生をやっていこう！ 201901末に退職をして丸一年経った。 無職になったときの裏の目標の一つとして、無職期間に必要になった費用を記録してそれを公開するというものがあった。 別に大した理由はないのだが、無職になりたいという前途ある人々の参考となればこれ幸い、とか考えていた。 ということで結果発表をしようと思う。 ちなみに自分は最近ちょっと働いているので丸一年無職をやり切ったというわけではないのだが、働いてるのは結婚式が無限集金システムで現金が足りなくなるのでその補填というためなので、生活費には充てていない。 ということで、一年間無職をするのに必要なお金、という意味では自分の実績値をそのまま使うということで問題はないだろう。 基本的には税金から生活

TL;DR ほぼ電子書籍の生活になってから久しかったが、学術書はやはり紙の書籍が良いなと思うようになってきた 電子書籍と違って読もうと思ってない本を手に取りやすかったり、空間的な位置で関係性を持たせたりできる 漫画とか論文に関しては電子書籍で管理するのが良いと思う 最近学術書とかを紙の書籍を読む機会が増えている。 そうやって紙の書籍を読んでいると、本の種類によっては電子書籍よりも紙の書籍が優れている面が多いなと感じている自分に気付く。 なんか定期的にそういうことを考えている気もするので、ちょっとブログにでも認めておこうというのが今回のエントリである。 電子書籍主体にした理由とその利点 自分の場合は物理的に移動しなければならない機会で電子書籍への移行を進めてきた。 一番大きかったのは大学院を修了するタイミングで、それまで所有していた漫画とかをせっせと自炊して紙の書籍を処分していた。 一部のお

TL;DR default で準備されているモデルで embedding を得る場合、 Module class の call メソッドに input を渡して実行するようになっている モデルは Tensorflow Hub が提供するものをダウンロードしてきて “default” とかで所定の tensor を名前引きして結果を得るようになっている モデルの情報がちゃんと残ってないのが辛い… 最近 TensorFlow Hub の NLP モデルで embedding を作って色々試したりしている。 主な用途としては（複数）文を入力としてその embedding で類似度を計算したりとかそういう感じ。 使っていると Universal Sentence Encoder (USE) が（BERT とか ELMo と比べて）良い性能を発揮しているが、こやつの詳しい情報があまりない。 論文を読

TL;DR reference が充実している点、3,4章のブラケット記法の導入、5章のサンプリングの説明、は良かった 7章以降の物理への応用に関しては、お話的な内容だったりどのくらい嬉しいことなのかぱっと見で判断できないものも多かった 物理の言葉や例で説明されている部分も多く、物理を学んでいる（た）人がディープラーニングを学ぶときに読んでみる本、という印象 \[\def\bra#1{\mathinner{\left\langle{#1}\right|}} \def\ket#1{\mathinner{\left|{#1}\right\rangle}} \def\braket#1#2{\mathinner{\left\langle{#1}\middle|#2\right\rangle}}\] 理論物理の研究者が書いた「ディープラーニングと物理学」が出版されたという話を目にしたので、一通り読ん

TL;DR VSCode で container の中などでの開発をシームレスに実施できる拡張が発表された こういう機能は前から欲しかったので、ローカルで docker container 使って試した際のメモを残しておく まだ VSCode Insiders が必要な preview だけど、良い感じなので正式に取り込まれるのが楽しみ 最近は VSCode を使っていて、気に入ってもいる。 ただし docker で環境を用意することも多いので、container 内でプロセスを実行してそこでデバッグをしたいというときには不便な面もあった。 VSCode 入りの docker image をベースにして container で GUI アプリケーションを起動してそれを使えるようにする、みたいなのも試したことあるけど面倒だし key mapping がおかしかったりして結局使わなかった。 リ

TL;DR c-lesson でC言語の勉強をしている 第一回の PostScript インタプリタを作るを完走して、それがめちゃくちゃ良い勉強になった parser や evaluator を実装し、さらにはC言語のスタックフレームを使わず継続まで実装してちゃんと理解できる良コンテンツ ずいぶん前に始めたけど途中で止まっていた c-lesson を沖縄で再開していて、ついに第一回が終わった。 元々低レイヤーの勉強をしたいなと思っていたところに @karino2 氏にC言語の勉強とかどうですかと救いの手を差し伸べてもらった形で始めたが、とてもよくできていてめちゃくちゃ勉強になった。 C言語とかほぼ書いたことないような状態から始めたが、基本的なところを押さえつつだいぶ自由が利くようになってきたのを実感できて嬉しい。 自分が実装した PostScript のインプタプリタ実装は ここ にある。

TL;DR 二月は色々な人（主として機械学習業務を生業にしている人）に話を聴きに行ったので感想を書いてみる バラエティに富んでいて面白かったが、ある程度見通しがついているタスクに取り組むという感じが多かった 技術的に今だからこそ出来そうという新しいプロダクトに取り組むという話はそんなになくて、機械学習系の人はこういう思考・志向の人が少ない感じがする 偉そうに言ってるけど自分こそがまさにそうだったので、無職期間に何を作りたいのか意識的に考えていかねば 201902 から無職になって今は沖縄で悠々と花粉フリー生活を送っているが、沖縄に来る前は色んな人に話を聴いて回っていた。 その時の話をまとめるという話を以前 Twitter で以下のようにしていたので、有言実行伏線（？）回収ということでまとめを書くことにする。 今月は結構頑張ったので、のべ27人（含む無職）に話を聴きに行ったという結果になった

TL;DR 1/31 を退職日として無職の仲間入りをしました しばらく（最長一年くらい？）再就職する予定はなく、自分のやりたい勉強などを自由にやるつもりです 色んな会社の人がどんなことをやっているかは知りたいので、よかったら会社に遊びに行かせてください 本日 20190131 をもって退職をして無職になりました。 次の職場が決まっていてそこに移行するためのダウンタイム、とかではなく無職です。 無職なので再就職の予定は未定です。 本当は sustainable な無職になりたかったのですが、私の人生プランからいってそれは難しいと判断したので、任期付無職です。 あんまり長すぎるとその後の社会復帰に悪い影響を及ぼすかもしれないので、長くても一年くらいかなとぼんやり考えています。 無職期間中に何がしたいのか 一番やりたいことは自分がやりたいなぁと思っていることを自由にやることです。 具体的には以下

TL;DR 日本語 Wikipedia で学習した BERT モデルを公開しました yoheikikuta/bert-japanese livedoor ニュースコーパスで finetuning して良い性能を発揮することも確認 まあまあコスト掛かっているので、役に立った場合は BOOTH の商品ページ でサポートしてくれると嬉しい BERT の登場以降、自然言語処理の応用タスクを気軽に解く機運が高まってきたように思う。 自分はもともと画像分析の方に重きを置いていたが、最近は割と自然言語処理の応用タスクに興味があって色々やっていた。 BERT が決定版とも思わないし今後もどんどん改良はされていくとは思うが、ともかく機械学習モデルを利用する側にとってはかなり気軽に自然言語処理の応用タスクを解けるようになってきている。良いことだ。 これは誰か日本語の tokenizer を使った pretra

TL;DR Trickle という topic 毎につぶやいたりフォローできたりする Twitter のようなアプリがリリースされた 後から見直しやすい topic 毎の公開ロガーとして使える、他人の特定の topic だけ見れる、ということで自分のニーズにマッチしている このサービスが長続きするように、自分以外の多くの人にもぜひ使ってもらいたい Twitter を始めて早1年半以上が経過した。 頑張って Tweet しているつもりだったが、1000 Tweet を少し超える程度でなかなか伸びない。 なかなか伸びないのは Twitter があまり肌に合わないからなのだが、本当はもっとウェブ上に自分のライフログ的なものを吐いていきたい（理由は後で少し詳しく書く）。 そこで登場したのが Trickle である。 これはめちゃくちゃ気に入っていて、できれば多くの人に使ってもらいたいので記事を書い

TL;DR 機械学習エンジニアは理論と実装の両方が求められる場合が少なくない この二つは割と異なる学びの過程がある気がしているが、自分を例にとってそれを考えてみる かなり強引に言うなら、理論は要素を積み重ねて全体を理解するやり方で、実装は全体から必要な要素を削り出していくやり方、な気がする 自分は実装に関してはどうトレーニングを積んでいくのが良いかいまいち分かっていない 知人と話していてタイトルにあるような話題になった。 機械学習が流行るようになって、これまではサービスを開発するような仕事ではそこまで要求されなかったであろう、数学的な理論とプログラミングによる実装の両方を兼ね備えることの重要性が増している。 これは自分が興味あるような機械学習エンジニアの仕事において、という前提条件の下での話だ。 そんなのなくても仕事ができるとかもっと大事なことがあるとか、意見は色々あるかもしれないけど、こ

TL;DR MobileNet で使われていることで有名な ReLU6 を復習してみた 初出の論文（と思われるもの）では sparse feature を得るために使うという導入だった MobileNet の文脈では固定小数点数の演算に適している（上限を与えない場合と比べて resolution が高い） とはいえ 6 は実験によって決めるべきパラメタでしかなく、それ以上に深い意味はない（と思う） 最近勉強会で MobileNetV2について発表 する機会があり、改めて ReLU6 について考え直してみた。 ちなみに ReLU6 とは何かというと、単純に上限を 6 に設定した ReLU である。 \(x \rightarrow \min ( \max (0,x), 6 )\). この ReLU6 は MobileNet で使われていることで有名だが、これについて復習してみようというエントリ

TL;DR iPad Pro で論文を読む際に Notability を使いたいが Mendeley などと異なり論文管理は手間 Chrome extension を使って arXiv の論文を google drive に保存できるようにした：Repository Notability との連携が改善されれば文句なしなのだが… 以前 iPad Pro で論文を読むにはどうしたらいいだろうと思って こんな記事 を書いた。 その時の結論は「Mendeley + PaperShip」というものだった。 しかしながら、やっぱりというかなんというか、気に入らない部分があって何とかできないかなぁと考えていた。 結果、自分好みの Chrome extension を作ればいけるのでは？と思って実際に作ってみたので、事の顛末を記しておく。 現状の不満点 複数アプリを跨って使っているので面倒 書き込んだ結