涌井良幸 【Excelでスッキリわかるベイズ統計入門】 読んだ感想
ベイズ統計は院試のために一度勉強したことがあったんですが、その時は理解できずに公式丸暗記してたベイズ統計。加えて機械学習の本勉強してるとよく出てくる。
入門書として【Excelでスッキリわかるベイズ統計入門】を読んでみました。
以下感想
数式の計算をExcelでやらせながらベイズ統計について解説している本で、話の流れとしては
3章までは確率統計の基礎からベイズ定理について、
4章からベイズ定理に統計学が加わって最後に回帰分析や重回帰分析にまで話を繋げて締めくくっている。
3章のベイズ定理までは初心者の自分でも一応理解できた。ただ4章の統計学が加わったあたりから、読んでいて全く理解できなくなって4章からはほぼ流し読みしていた。
アマゾンの評価は★4個でまあまあ高いけど個人的には かなり微妙だった。3章までは読む価値があったと思うけど4章以降から理解できず自分にはほとんど役に立たなかった。
多分だけど出版された当初の2010年度ではベイズ統計に関する本としてかなり分かりやすい部類の本だったのだと思う。
しかし現在ではAI、機械学習ブームもあってもうちょい分かりやすいベイズ統計の本もたくさん出てきているんじゃないかなと思うし、他の本を探してみようと思います。
この本は人にはおすすめできないかな。
小島寛之 【ゼロから学ぶ微分積分】 読んだ感想
著者の小島さんの【ゼロから学ぶ線形代数】と【統計学入門】が分かりやすかったので微積の復習にと思いこの本を読むことにしました。
また 【これなら分かる応用数学】をよんでラグランジュ乗数ってなんだっけ?感じだったのでそこら辺の復習もかねて。
以下感想
本の流れは
高校レベルの微分積分→テーラー展開→偏微分→全微分→ラグランジェ乗数→重積分
この本の特徴としてできる限り数式の式変形による説明を避けて図に頼ろうとするところにあると思う。またε-δ論法などの極限に関するところ避けながら話が進んでく。
特に自分が知りたかったラグランジェ乗数を図を使って上手に説明していて、ようやくラグランジェ乗数が理解できるようになったし、全微分の説明もすごい分かりやすかった。ただ分かりにくいところもあって高校レベルの微分公式の導出はググるか教科書みて調べた方が分かりやすい。またε-δ論法の話を避けているのでテーラー展開に関する話になると無理やり納得させようとする感じがあった。
ただ、巻末に著者 堀川【新しい解析学入門コース】を推薦しているので極限に関する話はこの本で勉強して欲しいというスタンスなんだと思う。
高校数学を理解できるなら普通に読了できるレベルだと思いました。逆に高校数学が怪しい人は1章の分かりずらい微分公式の説明でつまづくのかもしれないです。ラグランジェ乗数が理解できたので個人的には結構うれしかった。
大村平 【多変量解析のはなし】
大村平 【多変量解析のはなし】は題名の通り多変量解析に関する本です。多変量解析なんてフレーズは機械学習の分野を勉強するまであんまり聞いたこともなかったんですが
機械学習専門の人からしてみれば当たり前の様に知っている分野らしい。
以下感想
アマゾンや読書メーターの評価が高いので読んでみた。
大村平 【多変量解析のはなし】この本では
相関係数、回帰直線、重回帰分析、因子分析、主成分分析、クラスター分析、判別分析
ここら辺のフレーズについて取り扱ってる。最初の相関係数や回帰分析、それに6章の重回帰分析までは結構分かりやすかったが、7章の因子分析あたりから急に難しく感じられた。特に8章の主成分分析は数式は理解するのを諦めて流し読みした。
さら~っと多変量解析の分野をおおざっぱに理解するのには良い本だと思うが、厳密に理解するには違う本を読んだ方が良さそう。自分みたいに多変量解析に詳しくない人はとりあえず前半はじっくり読んで難しい後半は流し読みするのが良いんかな~と思った。
アマゾンや読書メータの評価は高いけど、自分にとっては特別分かりやすい本だとは思わなかった。もうちょい分かりやすい本探して読みたいと思います。
Aditya Y. Bhargava 【なっとく!アルゴリズム】
ソフトウェアに関連してる基礎的なアルゴリズムについて触れている本。情報系の人だったら普通に知っているんだろうけど自分はそこら辺に疎くアルゴリズムの触りを知れてとても為になった。
アルゴリズムのコードはpython2.7系で書かれていて
ここのサイトからpython3系に直されてるコードが見れる(物によっては2.7系のままで書いてあったけど、そこまで差支えはないと思う。)
このサイトに他の言語のコードで書かれたアルゴリズムが公開されているのでpython学習者以外でもおそらくだいじょうぶだと思われる。
大型本の割にはだいぶ読みやすく、読了するまでそこまで時間はかからなかった。
ビックオー記法、二分探索、ソート、メモリ、配列、リンクリスト、再帰、分割統治、クイックソート、ハッシュ関数、衝突、幅優先探索、NP完全問題、近似アルゴリズム
ここら辺のフレーズが出てくる。
自分は7章のダイクストラム法あたりから 難しいなーと感じて流し読みしてた。また10章では機械学習やk近傍法について軽く触れてるんだけどほんとにさわりだけ、という感じで少し残念。でも全体的に、読者が理解できるようにたくさんの絵を使ってアルゴリズムの説明をしていて好感だった。
アルゴリズムは興味あるんだけどよく分からない、pythonならすこしできるよ
という人には十分おすすめの本!
小島寛之 【ゼロから学ぶ線形代数】 読んだ感想
もともと線形代数は院試数学のためしっかりと勉強した分野だったけど
【これなら分かる最適化数学】を読んで線形代数の理解に不安を覚えたので新しく線形代数の本を読もうと思った。
もともと持っている線形代数の本を勉強し直しても良いだけど、読んでてだいぶ理解しづらかったんで小島寛之 【ゼロから学ぶ線形代数】を読むことに。
以下感想
今まで読んだ線形代数の本の中では、一番わかりやすかった。線形代数だけではなく統計の相関や最小二乗法にも軽く触れているし、最後の章では固有値→2次形式の判別定理まで線形代数がどこで利用されているのかも含めて説明されている。外積のイメージの仕方についても本当に参考になった。
内積、外積、線形変換、逆行列、固有値、対象行列 ここら辺のフレーズの理解したい人
や自分みたいな線形代数を再学習したい人にとてもおすすめ!
技術系ベンチャーのインターン 受けた感想
が割とボコボコにされました(笑)
実務業務に直結する技術力が低い、またポートフォリオのレベルが低いと採用できないといわれました。(特に有給の長期インターン)
よくよく考えれば、大企業と比較すると、ベンチャーは従業員の人数も少ないことが多く、能力がない人を育てるより、実務をこなせるだけの能力がある即戦力を採ろうとするのが自然です。技術を学びたいアルバイトとして既に採用されている学生の話を聞かせて頂きましたが、中学の頃からモノづくりに関わってるような人(詳しくは言えないけど)で、自分と比較しても明らかに数段は優秀そうで、話聞いててあーこれは落ちたなと思いました。
自分はベンチャー系のインターンに2回ほど面接受けて聞いただけですが両方の会社ともともエンジニアとして採用されているインターン生の学生は相当優秀そうでした。
もちろん会社にもよると思うんですが、みんなそれなりの学歴があるのは当たり前でそこでは差がつなさそう。
+α 必用なのが
卒業研究や修士研究の内容が業務内容と被っているか
充実したポートフォリオ(レベルが低いのものは逆効果)
特にベンチャー系の場合は現役エンジニアの方が面接の業務をこなすので、卒論の内容やポートフォリオは深いところまで聞かれますし、
私も君の卒論の分野は結構詳しいだけど、君の研究結局は何がすごいの?
って言われておおおってなりました。
これとこれがこうなってこうゆう風に組合わせているのが新しいっぽいですみたいな感じで苦し紛れになりました(笑)
業務に直結する技術がないとだめだなーと改めて思った。