著者:スコット・ペイジ, 水谷 淳
名門P&Gの最高研究スタッフでも歯が立たなかった超難問を解いたのは、名もない科学者たちの寄せ集めだった。多様な人間集団がときに恩恵をもたらし、ときに害悪をもたらすのはなぜか? 複雑系研究の俊英が「多様性」の謎に挑んだ注目作。「多様性研究のランドマークになる名著」――『まぐれ』の著者タレブ氏も激賞! |
著者:スコット・ペイジ, 水谷 淳
名門P&Gの最高研究スタッフでも歯が立たなかった超難問を解いたのは、名もない科学者たちの寄せ集めだった。多様な人間集団がときに恩恵をもたらし、ときに害悪をもたらすのはなぜか? 複雑系研究の俊英が「多様性」の謎に挑んだ注目作。「多様性研究のランドマークになる名著」――『まぐれ』の著者タレブ氏も激賞! |
著者:岡野原 大輔
対話型サービスChatGPTは驚きをもって迎えられ、IT企業間で類似サービスをめぐる激しい開発競争が起こりつつある。それらを支える大規模言語モデルとはどのような仕組みなのか。何が可能となり、どんな影響が考えられるのか。人の言語獲得の謎も解き明かすのか。新たな知能の正負両面をみつめ、今後の付き合い方を考える。
■目次 |
著者:安斎 勇樹, 塩瀬 隆之
課題解決のためのチームの話し合いにおいて「良いアイデアが生まれない」「チームの一体感がない」と感じるとき、それはチームで向き合っている「問い」がうまくデザインされていないからだ。 そもそも何を解決すべきなのか、「本当に解くべき課題」を正しく設定できなければ、根本的に解決の方向性がずれてしまい、関係者に「創造的な対話」は生まれない。 本書は、企業の商品開発・組織変革・人材育成などの複雑な課題解決の現場において、問題の本質を見抜き、解くべき課題を正しく設定し、関係者を巻き込み、課題解決のプロセスをデザインするための思考法・スキルについて体系化。人とチームのポテンシャルを引き出し、組織や事業の創造性、イノベーションを促すための必読書。 |
著者:麻生川 静男
限りなき知の探訪という荒野をめざせ! 1日1項目読むだけで本物の教養が身につく リベラルアーツの教科書◆「知への扉」の開き方◆ 人はある時点でかならず「いかに生くべきか」と悩み、読書にその答えを求める。 だが、さまざまなジャンルの本を読むも答えはなかなか見つからない。 この問いの答えを求め、読書遍歴を重ねた筆者はリベラルアーツの観点から 「読書とは権威に寄りかからず、健全な懐疑心を持ち、主体的に読むべき」と悟った。◎人類4000年の特等席にいる日本人に告ぐ! 我々は「人類4000年の特等席」という恵まれた環境にいる。しかし日常の関心は身の回りの非常に狭い範囲に限られ、 自分の視野の狭さや考えの浅さを恥ずかしく思い、「これではいけない」と教養を身につけようとしても、その方法が分からない。 本書は哲学・宗教・歴史・人物伝を繙き、社会のありとあらゆる問題にさまざまな角度から立ち向かうことができる思想軸(リベラルアーツ)を身につけるための好適書。 |
著者:スティーブン・スローマン , フィリップ・ファーンバック
自転車の仕組みを説明できると思いこむ。 政治に対して極端な意見を持つ人ほど政策の中身を理解していない 。 私たちはなぜ自分の知識を過大評価するのか? その一方で、人類が高度な文明社会を営めるのはなぜか? 気鋭の認知科学者コンビが行動経済学から人工知能まで、各分野の研究を駆使して知性の本質に迫る。 「賢さ」の定義をアップデートし、各界からの絶賛を浴びた、デマが氾濫する現代の必読書。 |
ヤナ・ワインスタインほか (著)
科学的エビデンスに基づいた「学習法」の決定版。認知心理学者の研究・実験を用いて導き出した「学習法」の最適解を多数のイラストで紹介。6つの学習方法など具体例や多数のイラストや図版を用いて、わかりやすく解説する。学生、教師、保護者、制作立案者など教育関係者に、エビデンスに基づいた効果的な学習方法を提案する1冊。 |
著者:キャロル・マーティン (著), 岡村 桂 (翻訳)
伸びる人・伸びない人を見分けるキラークエスチョン多数収録! 面接官から根強い人気の一冊が新装改訂版となって登場 採用面接を担当したことのある方なら、 たとえば…… 面接を終えて応募者を評価する段階になると、 採用後、相手が使える人材であればよいのですが、 本書は、そのような失敗を防ぐのに役立ちます。 したがって、この本は面接担当者だけでなく、 |
ということで、面接をする方、あるいは逆の目線で面接をされる方は面接者はどういったことを見ているのだろうか?という観点で読まれるとよいと思います。
著者:高柳 慎一, 長田怜士
監修:株式会社ホクソエム
予測精度0.001%の改善をビジネスの成果に!
「評価指標でXXXという最高のスコアが出た!」と喜び勇んで、機械学習モデルが出力してくる予測結果をもとにビジネスを運用したとします。 ところが、ビジネス上のKPIと相関が高い評価指標を選んでいなかったために、KPIの推移を見てみると大した変化がありませんでした。 あるいは「毎日夜遅くまで残業をして、特徴量生成とクロスバリデーションによって評価指標を改善しました!」というデータサイエンティストがいたとします。ところが、KPIの改善のためには そこまで高い評価指標の値を達成する必要ありませんでした。このようなケースでは、データサイエンティストが費やした工数がすべて水の泡となってしまいます。———-(はじめにより)———- このような状況が起きてしまう背景にはさまざまな原因が考えられますが、あえて一言で言うと「データサイエンスの問題が解くべきビジネスの問題と乖離していた」ためです。 機械学習モデルの”良し悪し”を決めるときには、評価指標(Evaluation Metrics)を必要とします。本質的に評価指標の設計方法は自由であり、ビジネス上の価値を考慮して自ら作成することも可能です。RMSEやAUCといったスタンダードなものから、ドメインに特化した数値まで、あらゆる指標が評価指標になりえます。では評価指標はどのように決めるのが良いのでしょうか。また、どのように決めれば冒頭のような悲しい状況を生まずに済むのでしょうか。 本書はこれらの疑問に答えるため、機械学習の良し悪しを決める評価指標を軸に、解くべきビジネスの問題をどうやってデータサイエンスの問題に落とし込むのか、その原理を解説していきます。この原理が普遍的なものであれば、ビジネスがどんなものであっても応用できると考えることができます。 回帰、分類で使用するスタンダードな評価指標についても、基本から丁寧に解説します。本書を読むことで、どのようなケースでどの評価指標を選ぶべきかがわかり、評価指標の読み間違いを避けることができます。 |
著者:齋藤 優太, 安井 翔太
監修:株式会社ホクソエム
(概要) 予測に基づいた広告配信や商品推薦など、ビジネス施策の個別化や高性能化のために機械学習を利用することが一般的になってきています。その一方で、多くの機械学習エンジニアやデータサイエンティストが、手元のデータに対して良い精度を発揮する予測モデルを得たにもかかわらず、実際のビジネス現場では望ましい結果を得られないという厄介で不可解な現象に直面しています。実はこの問題は、機械学習の実践において本来必要なはずのステップを無視してしまうことに起因すると考えられます。機械学習を用いてビジネス施策をデザインする際に本来踏むべき手順を無視して予測精度の改善だけを追い求めると、「解くべき問題の誤設定」や「バイアス」といった落とし穴に気づかぬうちにハマってしまうのです。 この問題を解決するためには、機械学習のビジネス応用において必要となる前提条件を着実にクリアしなくてはなりません。しかし多くの現場では、「学習」や「予測精度」などに関する手法やテクニックのみに注目してしまう傾向があり、「機械学習にどのような問題を解かせるべきなのか」「実環境と観測データの間の乖離(バイアス)の問題にどのように対処すべきか」といった効果的なビジネス施策をデザインするために重要な観点が軽視されがちです。機械学習をビジネス施策に活かすための前提が整えられていないにもかかわらず、発展知識を身に付けたり論文の内容をそのまま実装したところで、望ましい結果を継続的に得ることは難しいのです。 本書では、ビジネス施策を自らの手で導くために必要な汎用的な考え方を身につけることを目指します。そのため本書ではまず、機械学習をビジネス現場で活用する際に本来踏まねばならないステップを明文化した汎用フレームワークを導入します。そしてその汎用フレームワークを活用しながら、効果的な施策を自らの手で導出する「施策デザイン」の流れを繰り返し体験します。これまで軽視されてきた「機械学習の威力を担保するために必要な前提のステップ」をフレームワークとして明文化し、データから施策を導くプロセスを自らデザインするという斬新なコンセプトで、ビジネスにおける変幻自在/臨機応変な機械学習の応用を可能にすることが、本書の最終目標です。(こんな方におすすめ) ・ 機械学習エンジニア ・ データサイエンティスト ・機械学習エンジニア、データサイエンティスト職を志望する学生(目次) 1章 機械学習実践のためのフレームワーク 1.1 機械学習の実践に潜む落とし穴 1.2 機械学習実践のためのフレームワーク 1.3 本章のまとめ 1.4 参考文献 2章 機械学習実践のための基礎技術 2.1 正確な予測を導く 2.2 高性能な意思決定を導く 2.3 Open Bandit Pipelineを用いた実装 2.4 本章のまとめと発展的な内容の紹介 2.5 参考文献 3章 Explicit Feedbackを用いた推薦システム構築の実践 3.1:Explicit Feedbackを用いた推薦システムの構築 3.2 推薦システムの標準的な定式化と手法 3.3 推薦システムに潜むバイアスの問題 3.4 フレームワークに則った推薦システム構築手順の導出 3.5 Pythonによる実装とYahoo! R3データを用いた性能検証 3.6 本章のまとめと発展的な内容の紹介 3.7 参考文献 4章 Implicit Feedbackを用いた推薦システムの構築 4.1 標準的なランキング学習の枠組み 4.2 フレームワークに則ったランキングシステムの学習 4.3 PyTorchを用いた実装と簡易実験 4.4 本章のまとめと発展的な内容の紹介 4.5 次章に向けて 4.6 省略した計算過程 4.7 参考文献 5章 因果効果を考慮したランキングシステムの構築 5.1:本章で扱う発展的な話題 5.2 推薦枠経由で観測される目的変数を最大化する 5.3 プラットフォーム全体で観測される目的変数を最大化する 5.5 本章のまとめと発展的な内容の紹介 5.6 参考文献 付録A 演習問題 |