09032010 Python machinelearning
Unsupervised Learning。なかなか面白かった。
Machine Learning: An Algorithmic Perspective (Chapman & Hall/Crc Machine Learning & Patrtern Recognition)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。
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)この本の5,6章も何度か読み直さないとイケナイ。
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)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。
08032010 Android
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。
08032010 life
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。
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
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。
07032010 Python machinelearning
EM Algorithmとkd-Tree
Machine Learning: An Algorithmic Perspective (Chapman & Hall/Crc Machine Learning & Patrtern Recognition)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。
去年の夏に購入したまま積んであったMixed-Effects Models in S and S-PLUSを読んでいる。
Mixed-Effects Models in S and S-PLUS (Statistics and Computing)Rのnlmeパッケージの使い方もほとんど一緒なので、手動かしながら読めていい。内容は結構ハードでなかなか読み進まないが。
読みながら色々調べてたら生態学のデータ解析 - ランダム効果とは?というページを見つけて、固定効果それともランダム効果?のガイドラインが便利そうだったのでチャートにしてみた。
最初pygraphvizで描こうと四苦八苦してたんだけど、unicodeはadd_nodeできんのにadd_edgeとかget_nodeとか出来なくてあきらめた(直接dot書いた)。
他にはMixed-Effects Models in S and S-PLUSは和訳がでるっていう情報も見つけた。これはちょっと凹む。まぁ、和訳の本は職場で入れてもらって、会社ではそっち読めばいいかな。
06032010 Python
BoostingとBaggingの章。
AdaBoostのPython実装は参考になった。
でも、AdaBoostはRにあるのは知っているので、そっちを使ってみる。
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)
母集団薬物データの解析 (統計科学選書)
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
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)
library(ada)
data(iris)
iris[iris$Species!="setosa",]->iris
n<-dim(iris)[1]
trind<-sample(1:n,floor(.6*n),FALSE)
teind<-setdiff(1:n,trind)
iris[,5]<- as.factor((levels(iris[,5])[2:3])[as.numeric(iris[,5])-1])
gdis<-ada(Species~.,data=iris[trind,],iter=20,nu=1,type="discrete")
gdis=addtest(gdis,iris[teind,-5],iris[teind,5])
plot(gdis,TRUE,TRUE)
Machine Learning: An Algorithmic Perspective (Chapman & Hall/Crc Machine Learning & Patrtern Recognition)儲かるかどうかっていうよりは社内コミュニケーションにどう生かすかって感じの内容だった。内容もゆるい感じで、少し薄い感じがした。
他の新書がBlogなら、この本はそのリアルタイム性と薄めの内容からtwitter的みたいな。こういう内容に興味がある層は、社内Wikiだイントラブログだ、シャベルだといろいろトライアンドエラーを繰り返しているだろうから、書いてある内容は大体理解しているだろうからなおさら、薄く感じるのかもしれないけど。
敢えて言えば、組織のトップが理解して実践するとどうなるか、つまり「メリット２ 組織のベクトルが揃う(p.74)」ってところが印象に残ったが、組織のトップだったらメッセージを発するってのはミッションそのものだから、強いメッセージ手段と比べてどうなのかとかそういう話も入れて欲しかったけど。
社長のtwitter見てない社員は組織のベクトルが揃わないので、すぐやめるとか、やめさせることで（略）みたいな。
5章以降はちょっといまいちだったな。iPhoneよりもスマートフォン一般の未来についての内容だと思ってたら、普通にiPhone使うって話だった。
iPhoneとツイッターで会社は儲かる (マイコミ新書)