ABOVE & BEYOND / CAMO & KROOKED
September (Camo & Krooked RMX)が素敵すぎる。
ABOVE & BEYOND全体的にチャカチャカとウルサイけどまぁアリかな。
「しくみ」マネー術
要するに複利にこつこつ投資しなさいというビギナー向けの内容
「しくみ」マネー術アセットアロケーションはしなきゃなと常々思うのだけどやってないのだよな。
最近の娘のブームが僕のmacbookでタブレット使ってお絵かきすることなので、僕は隣でビジネス本を読むことが増えている。
Wacom Bamboo Fun CTE-450/W0Google Android アプリケーション開発入門(SQLite)
Google Android アプリケーション開発入門8章のSQLiteを使うサンプル
Google Androidアプリケーション開発入門 画面作成からデバイス制御まで――基本機能の全容LeadOptimizationをシミュレーションしたい
ふと、つぶやいた。
例えば
- プロジェクトで500検体合成
- ひとつの親あたり5-25化合物くらいの子を合成する
- プロジェクトの人員の制限により、一度に10ラインまでしか同時に走らない
- 11番目以降はそれ以降のオプティマイゼーションは行われない
その時知りたいことは、
- {計画、合成、アッセイ、解析}というサイクルは何回まわるのか、
- 有望そうな化合物だけど、人的リソースの関係で選択されなかった歴史はどこにあるか？
- バックアップ候補の化合物はどこら辺で現れるか（初期？中期？）
あたり。
現実の系に近づけるために、親化合物にはポテンシャルがあって、近傍探索すると、ポテンシャルの近くで活性が変化するモデル。あと同じライン（ブランチ）を継続して合成すると、ポテンシャル曲線が底に近づくのと、合成もSARに関する知識がついてくるので、活性は上がりやすくなって、かつ変動幅も小さくなるようにweightはだんだん小さくなるようにしてみた。
#!/usr/bin/env python
# -*- encoding:utf-8 -*-
# kzfm <kerolinq@gmail.com>
from random import random
import networkx as nx
import matplotlib.pyplot as plt
class Branch(object):
"""LeadOptimization flow"""
count = 0
@classmethod
def inc_count(cls):
cls.count = cls.count + 1
return cls.count
@classmethod
def get_count(cls): return cls.count
def __cmp__(self, other):
return cmp(self.act, other.act)
def __init__(self,potency,weight):
self.num = Branch.inc_count()
self.potency = potency
self.weight = weight
self.act = self.potency + self.weight * random()
def make_child(self,num_childs,potency,weight):
return [Branch(self.potency + self.weight * random(),self.weight * 0.7) for i in range(num_childs)]
if __name__ == "__main__":
max_comps = 500
initial_branches = 3
nodesize = []
nrange = []
erange = []
generation = 1
heads = [Branch(0.3,1) for i in range(initial_branches)]
G=nx.Graph()
for h in heads:
nodesize.append(h.act * 30)
nrange.append(generation)
while Branch.get_count() < max_comps:
new_heads = []
generation += 1
for branch in heads[:10]:
for new_comp in branch.make_child(int(5+20*random()),branch.potency,branch.weight):
nodesize.append(new_comp.act * 30)
nrange.append(generation)
erange.append(generation)
G.add_edge(branch.num,new_comp.num)
if new_comp.act > 0.75:
new_heads.append(new_comp)
heads = new_heads
heads.sort()
nx.draw_spring(G, node_size=nodesize, node_color=nrange, edge_color=erange,alpha=0.7, \
cmap=plt.cm.hot, edge_cmap=plt.cm.hot, with_labels=False)
plt.savefig("proj.png")
んーなんかいまいち。一応活性の強弱にあわせてノードのサイズが変わるようにしてみたんだけど、大きさがわからん。
Machine Learning: An Algorithmic Perspective 9章
Unsupervised Learning。なかなか面白かった。
Machine Learning: An Algorithmic Perspective (Chapman & Hall/Crc Machine Learning & Patrtern Recognition)Stephen Marsland
Chapman & Hall / ￥ 6,593 ()
通常2～3週間以内に発送
K-meansの話から入って、K-Meansは一層のニューラルネットで表現することが出来ることを示していく。ニューラルネットで表現されたK-Meansはオンライン更新できるので、入力を一度に読み込まなくて良い(はず)。
そのあとSOMだったけど、SOMは知ってるので流した。
個体差を考慮した統計モデル
生態学のデータ解析 - GLMM 参照からたどれる数学セミナー2007が非常にわかりやすかった。
> library(glmmML)
> d <- read.csv("http://hosho.ees.hokudai.ac.jp/~kubo/ce/memo/hierarchical2007/figSS/d.csv")
> glmmML(cbind(y,10-y) ~ 1, data=d, family=binomial, cluster=d$plant.ID)
Call: glmmML(formula = cbind(y, 10 - y) ~ 1, family = binomial, data = d, cluster = d$plant.ID)
coef se(coef) z Pr(>|z|)
(Intercept) -0.03582 0.1578 -0.2270 0.82
Scale parameter in mixing distribution: 1.373 gaussian
Std. Error: 0.1389
Residual deviance: 259.7 on 98 degrees of freedom AIC: 263.7
Mixed-Effects Models in S and S-PLUS (Statistics and Computing)José Pinheiro,Douglas Bates
Springer / ￥ 5,749 ()
在庫あり。
パターン認識と機械学習 下 - ベイズ理論による統計的予測
計算統計 2 マルコフ連鎖モンテカルロ法とその周辺 (統計科学のフロンティア)この本の5,6章も何度か読み直さないとイケナイ。
母集団薬物データの解析 (統計科学選書)「小さなチーム、大きな仕事」を読んだ
働き方に関して。サステナビリティって言葉が頭をよぎった。
小さなチーム、大きな仕事―37シグナルズ成功の法則 (ハヤカワ新書juice)ジェイソン フリード,デイヴィッド・ハイネマイヤー ハンソン
早川書房 / ￥ 1,155 ()
通常2～5週間以内に発送
会社は大きいほうがいいなんて幻想だ。今日では誰でも自分のアイデアをもとにビジネスを始められる。高価な広告枠、営業部隊、オフィス、いや、会議も事業計画もいらない。昼間の仕事をしながら、初めは週末の数時間を費やすだけで十分だ。小さな所帯で、シンプルに、迅速に、臨機応変に—それで僕らは成功している。二つの大陸に散らばった十数人のメンバーだけで数百万人のクライアントを抱えるソフトウェア会社37シグナルズは、その優れた製品だけでなく、常識破りな会社運営法でも、業界観測筋の目を釘付けにしている。その創業者とカリスマ開発者が、いまのビジネスに真に必要な考え方を示す。
- ワーカホリックは馬鹿げている
- イーベイのアイデアと実際にイーベイを作り上げることは関係がない
- 中途半端なひとつのものよりも、とても良く出来た半分の大きさのモノのほうがよいに決まっている
- 「あとで決める」を積み重ねていくことはできない
- TODOリストもより短く
- マーケティングは部署ではない
Google Android アプリケーション開発入門
6章のパズルゲームのサンプルを写経した。結構楽しい。
ソフトバンクのAndroid端末早くでないかな。
日商簿記3級
なんとか合格したっぽい。今回難易度高めっぽいのでかなりラッキー感満載。次回は難易度低くなりそうな予感がするので、このまま2級もいっとこかなーと思ったりするんだけど、時間がとられるからなぁ、、、悩む。
使った問題集は主に下のやつ。ただ、いきなりこれをやって挫折しかけたので、ブックオフでもっと簡単なやつを105円で買ってきて解いた。
日商簿記3級240%完全合格自習問題集 新訂第1版 1人で勉強して1回の受験で合格する (とりい書房の負けてたまるかシリーズ)基本は、本に直接書く。どうせ何度も繰り返しやらないし、間違ったところに赤で印つけておけば、二回目流し読みしたときに思い出すし、どうせ受かったら捨てることになるんだから綺麗に使う必要もない。
あとは、わかりやすい簿記でも読んでおけばOK
仕分けは
- 手形（約手、為手）をきちんと理解する
- 訂正仕分けは間違った仕分けの逆仕訳と正しい仕訳の足し算
を押さえる。
問題は1,2,4,5,3の順に解いた。3はT字で解けるようにしといたほうが楽。 最初にTをひたすら書いて、貸方借方に金額入れてった。そうしないと終わらん。
消耗品と消耗品費の違いを覚えて、棚卸の意義が理解出来るようになった。今まで、メンドクセーなとか思ってたけど。
Machine Learning: An Algorithmic Perspective 8章
EM Algorithmとkd-Tree
Machine Learning: An Algorithmic Perspective (Chapman & Hall/Crc Machine Learning & Patrtern Recognition)Stephen Marsland
Chapman & Hall / ￥ 6,593 ()
通常2～3週間以内に発送
内容はPRMLのほうが詳しい。Machine Leaningのほうはコードを読んで実装を理解するって感じだな。
kd-Treeは使ったことなかったけど、近傍探索はよく使うので、覚えておいて自由に使えるようにしようかな。