はてなブックマーク

本記事では偉そうに Level 分けをしていますが、順序に厳密な意味があるわけではなく、多角的な観点からの理解度を示しています。 記事の面白さやキャッチーさを優先してこのような形式をとっていることをご了承ください。 回帰分析への理解は、ダニングクルーガー効果の絶望の谷を味わい続けるのにもってこいです。さて、本記事を通じて一度「絶望の谷」に落ちて、そこから一緒に「啓発の坂」を登っていきましょう。 https://hrmos.co/trend/talent-management/5397/ より引用。 Level 0: 道具としての回帰 最初の段階は、回帰をブラックボックスのツールとして使う段階です。 この程度の実装はAIで書けるレベルを通り越してもはやボイラープレート[1]で、書けること自体に価値はありません。 回帰分析をこんな感じで捉えている人は多いでしょう： \text{年収} = \b

はじめに 3月、4月、それは別れと出会いの季節です。 やりたいことはタイトルの通りです。早速行きましょう。 課題 会社飲み会の幹事をやったことがある方なら経験があるでしょう。上司にちょっと多めに払ってもらったり、入社年次の浅い若手は割り引かれたりするアレです。全体額が一致することが大前提の上で、一旦どれくらいの傾斜をつけてよいのか、頭を悩ませるものです。特に歓送迎会関連の飲み会になると人数も多くなって、条件がどんどん複雑になっていきます。 会社によっては若手が幹事をやらされることが往々にしてあります。安くしてもらえる立場である若手社員が傾斜配分を考えねばならないという状況は非常にやりにくいでしょう[1][2]。そんなとき、AIがこう判定しました！と言ってAIに責任を擦り付けることもできます。これが正しいAIの使い方です[3]。 便利なツールとして、数理最適化というものがあります。条件を定め

はじめに 極値統計学とは、あるデータが取る最大値や最小値の分布を考える理論です。ところで対照的に、統計学の多くの理論では、データの平均やばらつきに関するものが多いです。特に、大抵のデータの平均値や合計値といった統計量は、中心極限定理によって正規分布に従ってくれるため非常に便利ですよね。このように、あるデータの統計量が別の分布に従うことを分布収束と言いますが、これと同じことが極値統計学でも起こります。すなわち、ある確率分布に従うデータの最大値や最小値が、別の確率分布に従うという現象を扱う理論です。 このアニメーションの上側では「指数分布に従う乱数を50個生成する」を繰り返しています。下側では、その50個の最大値を追加してヒストグラムを描いています。指数分布の最大値は、ガンベル分布に分布収束します。 最大値や最小値の分布を考えることは有益です。単に今まで得られたデータの最大値だけを見ても、今後

はじめに 筆者のモチベーション 本記事のキーワードは、 普遍近似定理（Universal Approximation Theorem） 二重降下（Double Descent） 過剰パラメータ化（Over-parameterized） 多層化の利点（Benefits of Depth） といった感じで、これらのトピックを解説した素晴らしい和文資料は既にたくさん存在します。 そんな中で「とりあえずこの記事を読めば深層学習がうまく学習できる雰囲気を掴める」記事を書くことを目標にしています。深層学習を取り巻くテーマは多岐にわたるため、論文を読み始めると NotebookLM を駆使したとしてもまだまだ大変な作業であり、各事柄を個別に解説した記事もいろいろ読まねばなりません。もちろん、DeepResearch 等を使えば本記事よりも多くの情報が得られるかもしれませんが、キュレーションしつつ詳しさに