アカデミアでもエンジニア界隈でも、日々新しいものが出てくるため毎日の勉強が欠かせません。 勉強すれば実力がつきます。 アカデミアの若手で実力があればよりよいポストが見つかりやすいですし、学部生でも実力があれば（日本でも）好待遇で企業に雇われるケースもあるようです。 先日のこの800万よこせツイートのおかげか、早速「800出せますけどウチ受けませんか」というお誘いをいただいて社会怖いなぁって顔してる。 自分、強気で就活していいっすか？ https://t.co/wADZlK9brq — コミさん (@komi_edtr_1230) February 14, 2019 一方、会社に入ったが最後、勉強しないエンジニアもいます。 エンジニアは業務時間外でも勉強するべきなのか ざっとインターネットを見るに様々な意見があるようですが、基本的には エンジニアは勉強し続けないと死ぬで？ というのが大多数の

脳がベイジアンだと思われる件 私たちは、不確実な世界に生きています。ゴミをゴミ箱に投げてもなかなか入りません（私は）。これは、私の脳が、私とゴミ箱の物理的な距離と、ゴミの重さといった物理量、また私自身の運動機能といった、サクセスフルにゴミを投げ入れるために必要な計算事柄を、正しく計算できていないことを表しています。 認知科学 (Cognitive Science)の世界では、ベイズ統計学 (Bayesian Statistics)を用いて、人や動物の認知・行動をモデリングする試みがなされてきました。ベイズの利点はもちろん、行動の達成に必要な計算事項に関する不確実性 (Uncertainty)を、確率を用いて定量できることです。人や動物は、不確実な世界から情報を取得し、記憶や経験と組み合わせて行動を実行します。そのためベイズ統計学を使って主観的な不確実性を定量することは、行動の理解に大きく貢

前書き　－　人工知能と脳科学　－ 最近のAI (Artificial Intelligence) の進歩はすさまじいですね。特に、深層学習 (Deep Learning) はTensorFlow, Chainerなどのライブラリの普及もあり、一般的に広く使用され、知られる概念になりました。 ところで、Deep Learningの歴史を簡単に紐解いてみると、はじめは脳の計算原理を実装しようとする試み、つまりニューラルネットワーク (Neural Network) の研究からスタートしました。人の脳は100億ともいわれる数の神経細胞からできています。それらは解剖学的に分かれた領域に位置し、それぞれの脳領域は特定の計算を行っています。各脳領域は互いにコミュニケーションを取り合い、行動選択に関わる情報を処理しています。 こうした脳科学の知見は、ニューラルネットワークの研究をインスパイアしてきました

信頼区間 (Confidence interval)は、統計学を習う際、最初の方に出てくる概念ですが、名前もあってその解釈にはしばしば誤解が生じます。直感的な解釈はベイズ統計学を用いた確信区間 (Credible interval)の方がふさわしいのですが、その違いがわからない、そもそも確信区間とか知らない、という人も多いのではないでしょうか。 この記事では、統計学を2分する頻度論者 (Frequentist) とベイジアン (Bayesian) の立場を今一度明らかにし、信頼区間と確信区間の違いを理解し、データの統計学的解析に役立てたいと思います。 正しい信頼区間 (Confidence interval) の考え方 データのバラツキを表現する方法は、分散 (Variance)、標準偏差 (Standard deviation)など様々あり、信頼区間 (Confidence interv

現在の日本の生涯未婚率によると、男性の4人に1人、女性の7人に1人は50歳まで一度も結婚したことがなく、そうした人たちの割合は今後も増えていくそうです（出典: ハフィントンポスト）。原因は様々あるようですが、やはり「適当な相手にめぐり合わない」という理由は上位に来るようです。 ですが、適当な相手とは、一体全体どういう相手なのでしょうか？ 年収、容姿、性格、家、などなど人によって様々相手に求める条件があるものですが、「人の出会いは一期一会」ともいうように、いい相手とめぐり合えたとしても「もしかしたら今後もっといい人と会えるかも……」などとうじうじしているうちに、機会を逃すことも多いかもしれません（涙 この問題は、結婚相手を探しているA君がいるとすると、 A君は、これから結婚相手の候補となるN人と女性と出会う 候補となる相手は、１人ずつ次々に現れる 候補となる相手は、それぞれ違うスコアを持つ

機械学習を学ぶのに最も適した教材と言われる、Machine Learning | Coursera　を受講し終わりました！ 「機械学習に興味はあるけど、何から始めたらいいかわからない」 「Courseraはいいって聞くけど、難くて挫折する気がする」 「機械学習やるなら、PRMLがいいって聞いたけど」 という人は多いと思います。私も同じように思っていました。Courseraの機械学習コースを始めたのはなんとなくですが、修了してみて、やって本当に良かったと思います。機械学習は面白いし夢があるので、ちょっとでも興味がある人の背中を押したいと思い、このコースの何がいいのか簡単にまとめたいと思います。 過去の記事 Coursera Machine Learning (1): 機械学習とは？単回帰分析、最急降下法、目的関数 Coursera Machine Learning (2): 重回帰分析、スケ