Pythonによる時系列分析: 予測モデル構築と企業事例

Pythonによる時系列分析: 予測モデル構築と企業事例

著者:髙橋 威知郎 (著)

 

時系列データを上手く活用し、ビジネス成果を生み出す!!
時系列データを上手く調理することは、これらの問に何かしら解を与えることができます。特に予測モデルを上手く活用すると、過去を振り返り、未来を予測し、現在すべきことを導きだし、成果へと繋げることができます。いくら高精度な予測モデルを手にしても、どう活用すべきかわからないと成果は生まれません。そこで本書ではどのように扱うかを、実際のデータを用いて、使い方を重点的に解説していきます。時系列分析の多くの書籍は数式等を用いて解説していますが、実務的な運用には理論よりもPython等コードで実践していくことが重要です。

内容自体は、pythonのコードを説明しながらの展開でよくある感じでした。 続きを読む Pythonによる時系列分析: 予測モデル構築と企業事例

パンテーン 洗い流すトリートメント(ヘアマスク) 170g ディープダメージリペア

パンテーン 洗い流すトリートメント(ヘアマスク) 170g ディープダメージリペア

これなんですが、ちょっと合う合わないがあるかもしれませんが、私は全くダメでした。

特に、髪はパサパサになるわ、毛染めについても色が抜けてしまうしちょっと最悪なんですよね。

続きを読む パンテーン 洗い流すトリートメント(ヘアマスク) 170g ディープダメージリペア

技術哲学

技術哲学

著者:金光秀和 (編集), 吉永明弘 (編集)

技術の発展は、倫理的問題を引き起こし続けているが、その背後にある哲学的な意味についての考察はまだ不十分。本書では、世界的に注目を集める技術哲学の基本を学び、技術が人間や社会に与える影響を深く理解するための土台を築く。日本語による初めての本格的なテキスト。

「目次」

序 章 技術哲学とは何か──技術哲学の問題圏(金光秀和)

第Ⅰ部 技術哲学の理論

第1章 技術と哲学──技術を哲学的に問うことを考える(金光秀和)
第2章 技術と政治──人工物と人間との関わりを考える(直江清隆)
第3章 技術と歴史──福島原発事故はなぜ起きたのか(本田康二郎)
第4章 技術とデザイン──デザインの論理・不完全性・可能性(上杉繁)

第Ⅱ部 技術哲学と社会

第5章 AI──夢と現実(久木田水生)
第6章 ロボット──責任ある仕事をどこまで機械に任せるべきか(岡本慎平)
第7章 テレプレゼンス──コミュニケーションメディアは人間関係をどう変えるか(呉羽真)
第8章 農業技術──スマート農業は何を目指すのか(鈴木俊洋)
第9章 宇宙開発──月が生活圏・商業圏になるときのために(立花幸司)

第Ⅲ部 技術哲学と環境

第10章 気候工学──環境問題の技術的解決に関する倫理問題(吉永明弘)
第11章 都市──三つの「技術」から考える(青田麻未)
第12章 遺伝子ドライブ──生物と生態系を操作する技術(藤木篤)
第13章 ゲノム編集作物──自然における突然変異と同じなのか(犬塚悠)
第14章 原子力発電──どのように発電すべきか(寺本剛)

続きを読む 技術哲学

SOTAとは?

SOTAとは、state-of-the-artの略で、「最先端の」という意味になります。

もう少し詳しく知りたくて、次のプロンプトでChatGPTに聞いてみました。

コンピュータサイエンス分野で使われるSOTAという用語について説明してください。具体的な使い方や、知識が広がるように関連する用語についても解説を分かりやすくお願いします。

続きを読む SOTAとは?

イノベーションの経済学 「繁栄のパラドクス」に学ぶ巨大市場の創り方

イノベーションの経済学 「繁栄のパラドクス」に学ぶ巨大市場の創り方

著者:クレイトン・M・クリステンセン

貧困×ジョブ理論=眠れる巨大市場。
これからの時代、真に成長が見込めるのは
買えない/買わない人々の「無消費経済」である――Appleのジョブズ、Amazonのベゾスらに影響を与えた
イノベーションの巨人、最後で最高の著作!

※『繁栄のパラドクス 絶望を希望に変えるイノベーションの経済学』改題・改訂版

◆中国の家電メーカーはなぜ世界の電子レンジ市場の40%を占めるまで成長したのか?
◆社員5人のスタートアップは、いかにしてゼロからモバイル通信網をアフリカ各国に普及させ 34億ドル規模の会社になったのか?
◆ソニー、トヨタはどのように「無消費経済」から世界的成長を見せたのか?

日本ほか世界各国の事例とともにイノベーションの本質をひも解く、
今こそ読みたいビジネス書のマスターピース!

表面上は望みのない状況に見えても、その裏に、成長の期待できる新市場が控えていることはよくある。この知見は、これまで好機に巡り合ってこなかったイノベーターや起業家にとっても重要だ。消費経済ではなく無消費経済に集中することは、企業の新たな成長エンジンに点火するすばらしい機会になりうる。
電気のない村に暮らすアフリカの約6億人を極貧の指標として見るのではなく、巨大な市場創造の好機として見るべきなのだ。絶望ではなく、イノベーションを招いているのだ、と。

続きを読む イノベーションの経済学 「繁栄のパラドクス」に学ぶ巨大市場の創り方

ChatGPT API×Pythonで始める対話型AI実装入門

ChatGPT API×Pythonで始める対話型AI実装入門(GPT-3.5&GPT-4 対応)

古川渉一 (著), 荻原優衣 (著)

話題の対話型AI「ChatGPT」では、APIと呼ばれる、ChatGPTをアプリケーションに組み込んで利用するためのしくみが公開されています。ChatGPTのAPIを活用することで、ChatGPTを他のアプリケーションと連携でき、ブラウザ版のChatGPTを単独で使うよりも幅広い活用が可能になります。たとえば「音声認識サービスと連携し、会話の音声データを文字起こししてChatGPTで要約する」「Google検索の結果を取得して、ChatGPTでニュース記事を作成する」といった処理ができます。本書では、Pythonの具体的なコードを示しながら、ChatGPT APIを活用したサービスを実装する方法を解説します。ChatGPTの回答を細かく制御できる「パラメータ」の利用方法についても紹介するため、ChatGPTをカスタマイズして使うことが可能になります。

続きを読む ChatGPT API×Pythonで始める対話型AI実装入門

大規模言語モデルを使いこなすためのプロンプトエンジニアリングの教科書

大規模言語モデルを使いこなすためのプロンプトエンジニアリングの教科書

クジラ飛行机 (著)

“生成AIの使いこなしにぐっと差がつく!

本書は、ChatGPTをはじめとする「大規模言語モデル」から、望んだ回答をうまく得るための「プロンプトエンジニアリング」を網羅的にまとめた書籍です。

大規模言語モデルの応答能力を改善・向上させるテクニックはさまざまな研究によって明かになっています。本書では、そのような改善方法について、基本的なものから複雑なものまで紹介します。

一般的な業務で大規模言語モデルを使い方にも、アプリ開発などで使いたいエンジニアの方にも役立つように、幅広い内容をカバーしています。

後半では、大規模言語モデルのAPIを利用する方法も紹介します。最後の章では高度なプロンプトエンジニアリングの手法を組み込んださまざまなプログラムの例を掲載しています。

対象となる大規模言語モデルは、人気のChatGPT(3.5/4)をはじめ、Google Gemini、Anthropic Claude、Microsoft Bingチャット、オープンソースの大規模言語モデル(Llama 2など)です。
※大規模言語モデルの回答の一部や使い方については、紙面ではなく特典Webサイトで掲載している場合があります。

本書を通して、いろいろな言語モデルで活用できる汎用的な技術を身につけましょう。

Chapter1 プロンプトエンジニアリングと大規模言語モデル
Chapter2 プロンプトエンジニアリング入門
Chapter3 大規模言語モデルの基本タスク
Chapter4 Few-shotプロンプトと性能向上のテクニック
Chapter5 テンプレートを使った10倍役立つプロンプト集
Chapter6 Web APIとオープンLLMの使い方
Chapter7 AGIを目指した高度なプロンプトエンジニアリング

続きを読む 大規模言語モデルを使いこなすためのプロンプトエンジニアリングの教科書

データサイエンティストのための特徴量エンジニアリング

データサイエンティストのための特徴量エンジニアリング

Soledad Galli (著), 松田晃一 (翻訳)

Pythonによる機械学習モデル構築のための特徴量 抽出・作成実践レシピ

機械学習においてはモデルを作成しデータを与えて学習させますが、その前に生データをモデルが理解できるような形式に変換する「特徴量エンジニアリング」と呼ばる重要なステップがあります。
データサイエンティストはモデルの学習に使用する生データを選び特徴量に変換したり、データを組み合わせ新しい特徴量を作成します。
うまく設計された特徴量は、機械学習モデルの精度を大幅に向上させ、学習にかかる時間を短縮することができます。

本書は特徴量エンジニアリングの実践的なガイドであり、機械学習のための特徴量を作成するための効果的なテクニックとベストプラクティスを学ぶことができます。
Pythonを活用し、70以上の実践的な”レシピ”により特徴量の抽出を手軽に行います。
pandas、scikit-learnに特徴量エンジニアリングライブラリであるFeature-engine、Category Encoders、Featuretools、tsfreshを利用し、新しい特徴量を変換・作成します。

欠損データの補完、カテゴリエンコーディング、変数変換、離散化、スケーリング、外れ値の取り扱いなど表形式データに対する特徴量エンジニアリングのほぼすべてのトピックをカバー。
日付と時刻、テキスト、時系列、リレーショナルデータセットから特徴量を抽出する方法についても解説。
テキストからの特徴量の抽出の付録として日本語モデルでの実例も取り上げます。

1章 欠損値を補完する
2章 カテゴリ変数をエンコーディングする
3章 数値変数を変換する
4章 変数を離散化する
5章 外れ値を扱う
6章 日付と時刻の変数から特徴量を抽出する
7章 特徴量をスケーリングする
8章 新しい特徴量を作成する
9章 Featuretoolsを用いてリレーショナルデータから特徴量を抽出する
10章 tsfreshを使って時系列データから特徴量を作成する
11章 テキスト変数から特徴量を抽出する
付録 日本語を扱う

続きを読む データサイエンティストのための特徴量エンジニアリング

Adventure and Innovation! Amazing Quest!