TEDで大人気になったトークや、著書『WHYから始めよ! インスパイア型リーダーはここが違う』で有名なサイモン・シネック。成功する会社とそうでない会社の違いや、ビジョンやパーパスの重要性を説く彼は、アメリカをはじめ世界中でリーダーシップを学ぶ多くの人々から支持を得ている。 彼の提唱するスタイルは「サーバントリーダーシップ」と呼ばれるもので、21世紀のリーダー手法として取り入れている企業も多い。 今回は冒頭のトーク以外にも数多くの素晴らしいスピーチを行っているサイモン・シネックから、リーダーシップに関しての12のポイントを、動画と共に学ぼうと思う。 1. 世界最強チームメンバーに共通する特徴とは？会社が成長するには優れたチームが必要になる。しかし、どうすれば優れたチームを生み出すことができるのか？そこで彼が注目したのが世界最強と言われるアメリカ海軍のエリート部隊、ネイビーシールズだ。 彼は実

事業開発は、企業が長期的な成功を収めるために必要です。事業開発においては、PL（損益計算書）型とBS（貸借対照表）型の二つの異なる考え方があると考えています。PL型は売上や利益の追求に焦点を当て、BS型は将来のPLを見越して資産を積み上げることに重点を置いています。この記事では、私の経験から、これら二つのアプローチの特徴、利点、そして潜在的な落とし穴について詳しく記します。 売上や利益を追求するPL型の事業開発 PL型事業開発の落とし穴 短期的な成長を追ってしまう 製品・組織が発展しない場合がある BS型の事業開発 BS型の事業開発とは BS型の事業開発は長期的に有益になる まとめ 売上や利益を追求するPL型の事業開発 PL型の事業開発は、短期的な成果に注目し、売上や利益の最大化を目指します。このアプローチは市場での迅速な対応や競争上の優位性を確保する上で有効です。一方で、短期的な目標に集

※この記事はアフィリエイト広告を利用しています。 ※注意：偉そうなことを書いていますが、タイミーで働いたことがない上、法律の専門家ではありませんので（FP３級は教養である）、あくまでも自分が働いたらどうするかという個人的想像です。 間違えていることもあるかもしれません。 公務員は違法になりますので、副業は絶対やってはいけません（投資などできる範囲は定められてるので要チェック）。 公認会計士など一部の業種では他の理由でできないこともあります。 しっかり調べましょう。 まあ、士業なら専門なので大丈夫とは思いますが。 タイミーとは 確定申告 住民税 結局？ 結論 タイミーとは スキマ時間に働けると人気のスキマバイトアプリ（日雇いアプリ）。 基本的に面接などがなく、思い立ったらすぐ働けるのです。 タイミーが有名ですが、他にもたくさんありますよね。 メルカリも参入するとのことでどんどん増えています。

コンテンツマーケティングの4つの戦略軸の重要性とその詳細、それらの評価や分析に関する資料です。コンテンツマーケティングは「オーディエンスを魅了して関係性を持つこと」を目指さなければいけません。 関連ページ（資料内容を解説したブログ記事各種あり） https://cinci.jp/docs/con…

おことわり この記事はプログラミング＆業務未経験の新入社員に、Gitについて1時間程度で説明した内容をもとに作ったものです。自分がもし誰かにGitについて教えて貰える立場にいたら、最初にこれを教えて貰いたかったという気持ちで作りました。 とりあえず「1人のプロジェクト」で「1時間で」Gitをそこそこ知って使えるようになることを目的としています。実際のチーム開発ができる水準までこの記事だけで達することはできませんが、今後Gitを使う必要がある人にとって学習の足がかりになれば幸いです。 それと、新入社員に教えるという都合上、表現がやや正確でなくざっくりしたところがあるかもしれませんが、質の悪い誤解を招くようなものでなければご容赦下さい。 全体像 まずはGitとは何かをざっくり分かって貰った後で、VSCode上での操作を行って頂きます。 Windowsでの説明を行いますが、Macの方は適宜読み替

import os import polars as pl dtypes = { 'customer_id': str, 'gender_cd': str, 'postal_cd': str, 'application_store_cd': str, 'status_cd': str, 'category_major_cd': str, 'category_medium_cd': str, 'category_small_cd': str, 'product_cd': str, 'store_cd': str, 'prefecture_cd': str, 'tel_no': str, 'postal_cd': str, 'street': str, 'application_date': str, 'birth_day': pl.Date } df_customer = pl.read_c

データの集計は、ExcelよりPython使ったほうが100倍早い（pandas-profiling, pixiedust）Pythonpandasデータ分析データ可視化pandas-profiling Pythonのpandas-profilingと、pixiedustの2つのライブラリを使うと、データの集計・グラフの作成が、感動的なほど早く終わることを実感したので共有します。 Excelでデータ集計・グラフ作成した場合と比較すると、体感で100倍くらい早く終わります（誇張ではなく） Pythonで爆速でデータ集計する方法（体感所要時間：5分） 前提： 以下の環境が整備されていることは、前提とします。 Pythonのインストール（約30分） データ分析に必要な各種ライブラリのインストール（約30分） →numpy, matplotlib, pandas, jupyter など →Anac

文章を分類したくなったので、fastTextを用いて分類することにしました。 [ポイント] ・pythonでfastTextを利用 ・テキスト分類 データ 今回は元々収集していたtweetデータを用いて分類していきます。今回私は、3つのカテゴリに分割しました。 ラベル1:人が呟いたもの ラベル2:人が呟いたけれど何かのアプリケーション、botを介している？ ラベル3:企業が宣伝でtweet 以下のようなcsvファイルを作成します。今回私が学習に利用するデータは全部で200件です。ファイル名はtrain_data.csvとします。 形式は以下のような感じです。 ラベル(__label__*),tweetの文章　　　　 *には数字が入ります。 __label__1,江戸時代の五街道における宿場で東海道五十三次の中間点となる27番目の宿場は袋井宿ですが中山道六十九次の中間点となる35番目の宿場は

#マーケティングの実務で使えるデータサイエンス ※I'm quite welcome to get your feedback or MASAKARI.. 序論 RやPythonのライブラリでは, Excelレベルの関数の記述によって, 手を煩わせずにt検定やカイ二乗検定などの統計的仮説検定を実行できる. ただ, p値や仮説検定における有意水準αを本質的に理解するためのコストは変わっていない. ここでも "There is no free lunch" は普遍的である. 私は何かを理解する時, まずイメージ(視覚情報)をインプットすることでその外観を掴むようにしている. そこで今回は「p値とは何か?」を理解する道のりの途中で, イメージでp値の正体を把握することで, より解像度高いp値の理解につながるようなコンテンツを生産してみたかった. まずp値と有意水準αをグラフィカルに理解するための

はじめに 生存時間解析について、ハザード関数の導出からCox比例ハザードモデルまでを掻い摘んで説明します。 加えて、PythonライブラリであるLifelinesを使って実際のデータで挙動を見ていきます。 細かい理論的な部分にはあまり興味がない方が多いかもしれませんが、モデルを使うにあたって注意するべき部分がいくつかあるので、その理解のためにも必要と思われる部分はまとめて説明しています。 医学統計の専門家ではないので見当違いな説明や不足部分があるかもしれません。その際は補足いただければと思います。

とくに仮想環境にこだわらないのであれば、そのまま「pip install beautifulsoup4」として頂いても問題ないと思います。 コードの説明 完成したコード全体は以下のようになりました。 順番に説明したいと思います。 from bs4 import BeautifulSoup import urllib3 import re import time import pandas as pd from pandas import Series, DataFrame ## ステップ1 http = urllib3.PoolManager() url = "https://suumo.jp/jj/chintai/ichiran/FR301FC001/?ar=030&bs=040&pc=30&smk=&po1=25&po2=99&shkr1=03&shkr2=03&shkr3=03&sh

この記事はRecruit Engineers Advent Calendar 2018 - 8日目の記事です。 注意点 タイトルは煽りです。「新規事業におけるデータエンジニアリングの勘所」の方が正しいかもです。 クオリティというか記事の信頼度は、投稿時間がギリギリになってしまったことから察してもらえるとありがたいです。 本エントリーの内容は個人的な見解であり、所属する組織を代表するものではありません。データの取り扱いは非常にセンシティブなトピックでもあるため気軽に発信すべきではないということは重々承知しております。もし誤りや考慮不足だと感じる点があれば、それは全て私個人の力不足によるものですので、どうぞ私個人当てにご指摘のコメントをいただけると幸いです。 もくじ 注意点 もくじ 背景 前提 体制 システム 開発スコープ 機械学習WebAPIは分離 データ基盤設計 全体の設計ポリシー データ

Register as a new user and use Qiita more conveniently You get articles that match your needsYou can efficiently read back useful informationYou can use dark themeWhat you can do with signing up

はじめに 最近トピックモデルを勉強する機会があり，ネット上の記事だけでトピックモデル（今回はLDA）をザックリと理解して，Pythonで簡単に試してみました． 簡単な理解にとどまっているので，間違い，ご指摘等がございましたらコメントを頂けると幸いです． 今回はトピックモデルをPythonで実装して ニュース記事解析 「小説家になろう」解析 をやってみます． どちらのテーマにおいても，これまでに試みた方が書かれた多くの記事を参考にさせて頂きました m(__)m 実行環境 mac OS Mojave Python 3.5.5 gensim 3.4.0 mecab-python3 0.996.2 pyLDAvis 2.1.2 参考記事・文献 トピックモデルについて LDA論文 自然言語処理による文書分類の基礎の基礎、トピックモデルを学ぶ トピックモデル（LDA）で初学者に分かりづらいポイントにつ

今回はLDAを使って、京大ブログコーパスをトピック毎に分類できないか試みてみます。 LDA LDA(Latent Dirichlet Allocation, 潜在ディリクレ配分法)は、文書のトピック(文書の話題、カテゴリ、ジャンルとも言える)についてのモデルです。 初出は以下の論文です。 http://jmlr.csail.mit.edu/papers/v3/blei03a.html LDAでは、文書のトピックは単一に定まるのではなく、複数のトピックの割合で表現できると考えます。 例えば、「AlphaGo」に関するある記事は、「囲碁」トピック60%、「人工知能」トピック40%といった感じです。 トピックは未知ですが、この確率分布はディリクレ分布に従って生成されると仮定します。 文書を構成する各単語は、この潜在的なトピックから生成されたと考えます。 AlphaGoの記事を再度引き合いに出すと

はじめに 今回は、Latent Dirichlet Allocation（潜在的ディリクレ配分法、以下「LDA」と略）と呼ばれるトピックモデルについて取り上げます。 特に本記事では、LDA というトピックモデルを扱う上で押さえておくべき、トピックモデルやコーパスの概念に触れながら、前処理を含めた分析の流れやモデルの評価方法などについて、実装を通じて理解を深めていくことを目的とします。 また併せて、本記事では、結果の可視化の手法についてもいくつか紹介したいと思います。 分析の流れとしては、ストップワードなどの文章の前処理の後、Gensim を用いて、文章をいくつかのトピックに分類していき、最後に WordCloud と pyLDAvis により結果の可視化を行っていきます。 目次 トピックモデルについて 分析環境と事前準備 モジュールの設定とデータのインポート 前処理 辞書とコーパスの作成

1. 本Part概要 前PartではB'zの歌詞を「TF-IDF」を用いた分析を行いました。 本Partではトピックモデルの一つである「LDA」を用いた分析についてお話しします。 pira-nino.hatenablog.com 2. LDAとは 2.1 LDAのイメージ 先に簡単な説明をしてしまいます。 LDAは「たくさんの文書データから単語のグルーピングを行う」モデルです。 このグループ1つ1つを「トピック」と呼びます。 例えば、大量のニュース記事にLDAを適用する例を考えます。 ニュース記事データにLDAを適用した例 LDAでは「各トピック（トピック数は予め指定）における各単語の所属確率」が算出されます。 理論的なことはさておき、文書データから単語をいくつかのグループに自動で分けてくれる手法 との理解で大丈夫です。 よく勘違いされることとして以下の2点を示します。 トピック数（いくつ

トピックモデルとは？ 最近、自然言語処理の分野はディープラーニング一色ですが、古典的1な手法がまだ使われることもあります。 その古典的な手法の一つにトピックモデルというものがあります。 トピックモデルを簡単に説明すると、確率モデルの一種で、テキストデータ（例：ニュース記事、口コミ）のクラスタリングでよく使われるモデルです。 クラスタリングといえばk平均法（k-means法）が有名ですが、トピックモデルはk平均法とは異なるモデル（アルゴリズム）です。 具体的には、下記のように複数のクラスタに属することを許すのか、許さないかのかが違います。 k平均法 データは一つのクラスタのみに属する トピックモデル データは複数のクラスタに属する 例えば、「テニスプレイヤーの大坂なおみ選手が日産自動車から『GT-R』というスポーツカーを寄贈された。」というニュースが先日ありました。 大坂なおみ選手の観点から