各業界でのデータサイエンスの活用について調べてみた（随時追加） – かものはしの分析ブログ
都内の事業会社で分析やWebマーケティングの仕事をしています。大学・大学院では経済学を通じて統計解析を行うなどしておりました。企業に勤めてからは、機械学習やテキストマイニング、クローリング技術などに関心を持っています。 Twitterアカウント Mr_Sakaue( SKUE ) GitHub 読書メーター ほしいものリスト 仕事で、いろんな会社でデータサイエンスってどう使われているのですか？と聞かれることがあり、自分としてはなんとなくしか掴めていないな、知ったかぶりしたくないなと思うところがあったので、やや手厚くリサーチをしてみようと思いました。 2022/3/6の段階では11つの市場しかないですが、最終的には30市場を目指します。 【2021/11/27追記】 公開したところ、それなりにこの記事に関心を持ってくださった方が多かったようなので、少しずつ事例を埋めていこうと思います。 業界
データサイエンティスト（及び他のデータ関連職）のスキル要件（2022年版） - 渋谷駅前で働くデータサイエンティストのブログ
(Image by mohamed_hassan from Pixabay) この記事は毎年恒例のスキル要件記事の2022年版です。昨年版は以下のリンクからご覧ください。 最初に正直に書いておくと、スキル要件自体は昨年版までとほぼ一緒で、大きなアップデートはありません。今回はまず最初に3職種の定義とスキル要件を並べた上で、それに解説を付すという形にしようと思います。 データサイエンティスト 定義 スキル要件 機械学習エンジニア 定義 スキル要件 データアーキテクト 定義 スキル要件 コメントなど 最後に データサイエンティスト 第一次ブームからそろそろ10年になりますが、この「データサイエンティスト」という語だけは変わらず生き残っているところを見るに、依然として期待も幻想も含めて注目され続けている職種といっても過言ではないでしょう。ただし、10年かけて多種多様な業界に浸透していったことで、
ヤングKagglerは、いかにしてグランドマスターになったのか
ヤングKagglerは、いかにしてグランドマスターになったのか：Kaggle グランドマスター インタビュー（前）（1/3 ページ） 24歳＆26歳。世界でわずか230人前後しかいない「Kaggle グランドマスター」の称号を持つ2人の青年は、子どものころからプログラミングに親しんできた……わけではなかった。 Google社が所有するKaggle社が運営する「Kaggle」（カグル）という機械学習プラットフォーム上で開催されるコンペティションで、最高の称号「グランドマスター」を持つ人は日本国内で20人前後、世界でも230人前後。その希少な人材のうちの2人が、2021年に社会人デビューした。2人のグランドマスターは、どのようないきさつでKaggleに参加し、どのようにして最高位の称号を獲得し、どのような就職活動をしたのだろうか。 Kaggleのグランドマスターとは ラッパーがMCバトルで技を
グロースの逆説 : メルカリで分析とサービスグロースをやる前に知りたかったこと｜樫田光 | Hikaru Kashida
この記事ではメルカリという会社で4年ほどプロダクトやマーケティングの分析、グロースなどをやっていた僕（ hik0107 / hikaru ）がそこで得た学びをまとめておこうと思います。 金曜の夜だしこれまでの学びをまとめてる。自分がメルカリにはいる前に知っていれば、同じ成果を出すのに20%位の時間で出来たであろう、そんな圧倒的な知見たち。まあ、それを肌身を切って知るということが大事で、はじめから紙の上の知識として知っていても意味はなかったりする側面もあるのですが pic.twitter.com/jV1ZgHr0u5 — hikaru / 樫田光 (@hik0107) December 24, 2021 特に「こうやったらうまく行った」というよくある成功談ではなく、 「これをわかってなかったために時間を浪費した」 「結局の所、これが一番大事という当たり前の結論に達した」 などという"知ってい
22社、52人のデータサイエンティストに聞いてみた！「どんなお仕事してますか？」 | Da-nce
データ分析とビジネス活用のプロとして、さまざまな業界・フィールドで活躍する「データサイエンティスト」。 スキルセットや必要な知識などが語られることはあるものの、まだはっきりとした定義がなく、いったいどんな人たちなのか？と疑問を持つ人も少なくないのでは。 そこで本企画では、企業で働くデータサイエンティストたちの"リアル"を調査。データサイエンティストを志した理由や興味深かった論文、普段の業務、自社で働く魅力などを22社、52人のデータサイエンティストに聞きました。 企業一覧 DataRobot Japan株式会社 株式会社GA technologies 株式会社HACARUS 株式会社JMDC 株式会社LIFULL MNTSQ株式会社 NABLAS株式会社 株式会社Rist Sansan株式会社 SOMPOホールディングス株式会社 株式会社ZOZO 株式会社ZOZOテクノロジーズ アスクル株
【保存版】データサイエンティスト転職を決めるポートフォリオのガイドライン【書籍化決定】 - Qiita
書籍化されました 本記事をベースに監修者の村上さんが１冊の本にまとめてくれました（感謝） データサイエンティストのキャリア面やポートフォリオの細かい部分をさらに追加・ブラッシュアップした内容になっています。 まえがき はじめに 皆さん、「データサイエンティスト」という職種をご存知でしょうか？ この数年間で、AIやディープラーニングといったバズワードと共にデータサイエンティストというワードも、よく耳にするようになりました。最新の技術を扱えて、年収も高い非常に魅力的な職業なため、データサイエンティストへの転職を検討されている方もいらっしゃるのではないでしょうか？ 実際、データサイエンティスト職への就職・転職希望者は年々増加しています。しかし、未経験の人材を育成できる会社はまだまだ少なく、未経験からの転職は転職希望者の増加に伴い高まっています。 データサイエンティストは求められるスキルの幅が広く
データサイエンティスト協会、IPAと共同で『データサイエンティストのためのスキルチェックリスト/タスクリスト概説』を刊行 | 一般社団法人データサイエンティスト協会
2024年5月10日 金曜日 デジタルPRとプレスリリース配信 お問い合わせinfo@digitalpr.jp受付 10：00〜18：00（土日祝日を除く） 一般社団法人データサイエンティスト協会（所在地：東京都港区、代表理事：草野 隆史、以下 データサイエンティスト協会）は、独立行政法人情報処理推進機構（所在地：東京都文京区、理事長：富田 達夫、以下IPA）と共同で、『データサイエンティストのためのスキルチェックリスト/タスクリスト概説』を刊行することをお知らせします。 本書は、今必要とされるデータ利活用のためのスキルを体系化した「スキルチェックリスト」と業務プロセスを体系化した「タスクリスト」を読み解くための初の公式ガイドブックです。 『データサイエンティストのためのスキルチェックリスト/タスクリスト概説』表紙（出典：IPA） 『データサイエンティストのためのスキルチェックリスト/タス
データサイエンス初学者のための実践的な学習環境 「データサイエンス100本ノック（構造化データ加工編）」をGitHubに無料公開 | 一般社団法人データサイエンティスト協会
一般社団法人データサイエンティスト協会（所在地：東京都港区、代表理事：草野 隆史、以下データサイエンティスト協会）は、構造化データの加工について実践的に学ぶことができる無料の学習環境「データサイエンス100本ノック（構造化データ加工編）」をGitHubに公開しました。 「データサイエンス100本ノック（構造化データ加工編）」は、データサイエンス初学者を対象に、データの加工・集計、統計学や機械学習を駆使したモデリングの前処理等を学べるよう、データと実行環境構築スクリプト、演習問題をワンセットにしています。 近年、データ活用の重要性についての認知が広がる中で、書籍やWebサイトなど、データ分析のスキル向上に役立つ情報源も多く提供されています。一方で、実践するための「データ」や「プログラミング実行環境」を持ち合わせていないことも多く、「実践力」を身につける機会が限られていました。特に、「構造化デ
機械学習について一回挫折してしまったエンジニアが何とかお仕事で機械学習を使えるようになるまで - Qiita
初めに 4x歳越えのエンジニアにとって機械学習は何やらややこしいもの、本を開けば数式があり、pythonがあり、何それおいしいの？5年ほど前にCourceraで機械学習を学ぼうとしたがあっさりAndrew Ng先生はWeek4で挫折。"教師付き学習"と"教師なし学習"のちがいなんだっけ？ 想定している読者 IT業界で別のキャリアを持っていて機械学習のキャリアをみにつけたい、あるいは身につけようとしたが挫折してしまった人 自分のキャリアについて ホストの開発エンジニアから始まり、クライアントサーバー、Webアプリと開発系を云十年。その後ネットワーク、インフラ系を主な仕事にしています。 機械学習とのかかわり 5年ほど前に機械学習の勉強をしようとしたが、何をやっているか意味が分からず、あっさり挫折。その後は雑誌などで読む程度。 注）データ分析・機械学種・人工知能については、この文章では厳密に分け
データサイエンティストはどこまでエンジニアリングをすべきか？ | CyberAgent Developers Blog
AI事業本部 Dynalystでデータサイエンティストをしている藤田です。 Dynalystの開発チーム内にはデータサイエンス（以降DS）チームがあり、そこにはデータサイエンティスト・機械学習エンジニア（以降まとめてデータサイエンティストと呼ぶ）たちが所属しています。私がこのチームで働く中で、「プロダクト所属のデータサイエンティストがどこまでエンジニアリングをすべきなのか」ということを考えることがあったのでまとめてみました。当然これは一般的な答えではなく、人・チーム・組織の現状や目指すべきところによって答えは変わるので、あくまで1チームの1個人が考えたこととして読んでもらえればと思います。 プロダクト所属と横断DS組織所属 エンジニアリング云々の話をする前に、まずプロダクト所属と横断DS組織所属のデータサイエンティストの違いについて軽く説明します。両者のメリット・デメリットについても書きた
[抄訳] Data engineers vs. data scientists – Moonshot 🚀 – Medium
データサイエンティストとデータエンジニアの定義とその誤解による悲劇、そしてそれを救う存在である機械学習エンジニア 紹介記事 Data Scientists : ビジネスサイドを理解し、他者にわかりやすく可視化と言語化できる職能。そして高度な数学的知識に基づいたモデリングやアルゴリズム提案スキルも持っている。Data Scientistsには高度なProgramming skillは必ずしも必須ではない、なぜならモデリングやアルゴリズムを実装するためにプログラミングを習得した人が多いからだ。システムデザインやProgramming スキルは、Software Engineer やDataEngineerからみると見れたものではない(そしてそうでなくてはならない、なぜならスペシャリストだから) Data Engineer : 分散プログラミングを意識して構築できる職能。DEは卓越したプログラミ
![[抄訳] Data engineers vs. data scientists – Moonshot 🚀 – Medium](https://cdn-ak-scissors.b.st-hatena.com/image/square/51454aa146cea4af4fd23713adf57cdb6c6f3f21/height=288;version=1;width=512/https%3A%2F%2Fcdn-images-1.medium.com%2Fmax%2F1200%2F1%2ASr_i9t2qoyh9yPtfsS5Y9A.png)
エンジニアとビジネスサイドの対立を未然に防ぐ 正しいKPI設定＆分析用ログ設計のコツ
2018年3月29日、スマホアプリの分析プラットフォーム「F.O.X」が主催する、スタートアップで働くエンジニア向けコミュニティイベント「F.O.X Meetup」の第2回が開催されました。スタートアップのエンジニアが求めるナレッジをキャッチアップ・共有し、F.O.Xの持つノウハウを公開することで業界をさらに盛り上げることを目的としている本イベント。今回は、F.O.Xのエンジニア2名が登壇し、トークセッションを行いました。はじめに登場した遠藤圭一氏は「スタートアップの分析用ログ設計について」というテーマでプレゼンテーションを展開。サービスの状態を正しく認知し、成長させるためのKPI設定と分析用ログの設計手法について知見を披露しました。 スタートアップエンジニアが知っておくべきKPIと分析用ログ設計 遠藤圭一氏（以下、遠藤）：みなさん、こんばんは。今日はお越しいただきありがとうございます。そ
大げさな分析資料はいらない。メルカリの「意思決定」を支えるデータアナリストの役割 | SELECK [セレック]
〜そのデータで、意思決定は変わりますか？ 戦略の策定、新機能の検証、さらに広報まで。組織を横断して最適なデータ活用を実現する、メルカリのBIチームとは〜 データを活用できる組織とできない組織、その違いはどこにあるのだろうか。 国内唯一の「ユニコーン企業」とも称される、株式会社メルカリ。同社の東京オフィスでは、2018年4月時点で7名のデータアナリストから成るBI（Business Intelligence）チームが、経営目標の達成をデータ分析で支える役割を担っている。 チームのマネージャーを務める樫田 光さんは、「『分析こんなに頑張りました』という大げさな資料は、意思決定をする側には必要ない」と語る。 その言葉通り、同社では分析の結果をあくまでもスピード重視で共有。また、できるだけ多くの人がデータを活用できるようにするため、組織を横断した仕組みづくりも強化している。 例えばその活動のひとつ
![大げさな分析資料はいらない。メルカリの「意思決定」を支えるデータアナリストの役割 | SELECK [セレック]](https://cdn-ak-scissors.b.st-hatena.com/image/square/fea85502f20af5a0aa43a5cea548224b5de514f9/height=288;version=1;width=512/https%3A%2F%2Fdpd29bjwmgbr8.cloudfront.net%2Fwp-content%2Fuploads%2F2018%2F06%2F05165910%2F2.png)
社会人のためのデータサイエンス演習
（2018/6/12追記） 本講座（第3回）は2017年2月6日をもって受付を終了しました。 現在、第4回（2018年6月12日開講）の受講登録を受け付けております。 こちらのページをご参照ください。 この度、『社会人のためのデータサイエンス演習』の開講に先立ち、活用編となる『誰でも使える統計オープンデータ』を特別開講しております。 オープンデータである統計データを活用したデータサイエンスをわかりやすく解説しており、『社会人のためのデータサイエンス演習』と併せて学習していただくことで、より活用の幅が広がるかと思います。この機会に、ぜひご受講ください。 ※特別開講のため、修了証の発行はございません。 講座内容 総務省統計局が提供する講座第2弾、ビジネスの現場で求められているデータサイエンスをわかりやすく解説します。 今、ビジネスの現場では、統計的な思考力によって様々な課題を解決していく能力、
データサイエンティストを目指して勉強した1年間まとめ - Qiita
はじめに 本記事では、データサイエンスについて学んだこと、データ分析業務に携わって、経験したこと、気付いたことをまとめています。特に、後半を中心にまとめています。前半についてはこちらの「データサイエンティストを目指して半年で学んだことまとめ」に書いています。ご興味があれば、読んでいただければと思います。 全てはビジョン（あるべき/ありたい姿）を明確にしてから始まる データ分析で最も重要になるのが、ビジョン（あるべき/ありたい姿）の明確度にあると感じています。ビジョンが明確であるほど、課題・目的も明確に設定でき、課題解決のための仮説検証、必要なデータの準備と、ビジョンの実現に向けたデータ分析ができるようになります。勿論、ビジョンが明確であれば良いというものではないかもしれません（必要なデータが集められない等）が、少なくとも、意味のない作業を減らすことは可能だと考えられます。 逆にビジョンが明
あまりにも多くのスタートアップがデータ分析するときに犯す４つの失敗パターン - Qiita
ホテルを直前に予約する時に人気のあるHotel Tonightというサービスを提供しているスタートアップがこちらシリコンバレーにあります。そこでデータ分析のチームを率いているAmanda Richardsonが、スタートアップがデータを使うときによく犯す間違いをこちらの"The Four Cringe-Worthy Mistakes Too Many Startups Make with Data"という記事の中で4つにまとめていますが、今日はそちらを紹介したいと思います。これらはもちろんスタートアップに限らず、どのようなサイズの会社でも、とくに新しいデータ分析のプロジェクトを始める時によく見られる失敗パターンだと思いますが、こちらの記事では間違いだけでなく、逆にこうすればいいという提案も最後にわかりやすくまとめられているので、是非参考にしてみて下さい。 それでは、以下抜粋です。 間違い１
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
データ整備の基礎
データサイエンス／AI／ディープラーニングの資格ガイド
Data Platform Guide - 事業を成長させるデータ基盤を作るには #DataEngineeringStudy / 20200715