データ中心の時代を生き抜くエンジニアに知ってほしい10?のこと

データ中心の時代を生き抜くエンジニアに 
知ってほしい10？のコト
2015/02/18 株式会社オープンストリーム
CTO 寺田英雄
1

Copyright(C) Open Stream, Inc. All Rights Reserved.
自己紹介
■寺田英雄
■https://www.facebook.com/
hideo.terada.5
■1968年、大阪市生まれ
2

経歴
■大阪大学工学部機械系／電子制御機械工学科
• Project-TEAM DoGA 初代メンバー：CG映画制作
• http://doga.jp/
■仕事歴
• 1992 IHI入社・メカトロ総合開発センター所属
• 2007 某モバイル動画ベンチャー入社
• 2012 オープンストリーム入社
• 2014 オープンストリームCTO
3

コンピュータ歴
■コンピュータ歴 36年目（小学校5年から）
■言語
• 大阪弁、標準語、英語（少々）
• Fortran, asm, basic, C/C++/Obj-C, Java, CUDA, 
Python, Ruby
■分野
• 画像認識、CG、ストリーミングシステム
• FA制御、Linux/Windowsデバイスドライバ、CADシステム
• モバイル・アプリケーション(iOS/Android)
• 機械学習、数理アルゴリズム、データ解析
4

開発例
■画像認識関連
• ごみ焼却炉制御、鋳型組み立てロボット制御、トラックコンテナの荷降ろしロボッ
ト制御、自動車工場の鋼板検査、デパレタイザー用３次元認識
• 監視カメラ用ハードディスクレコーダー
• 乗用車用、歩行者検知システム（R&D)
■動画ストリーミング
• 携帯電話用コーデック、画像・音声同期再生エンジン、マルチキャスト動画配信
■その他
• C-HTML編集エディタ、GTコジェネ制御ロジックCAD
• Oracle用 C++ ORマッパーの開発
• 電子書籍フォーマット＆デコーダ生成システムの開発
• DRM動画配信アプリ＆状態マシンフレームワーク
5

その他
■執筆
• @IT: ドキュメントは最強のコミュニケーションツールである――Joelの機能仕様書入門  
(http://www.atmarkit.co.jp/ait/articles/1412/15/news023.html)
• ITPro: ログ収集基盤のFluentdとFlume NG、どちらが使いやすい？  
(http://itpro.nikkeibp.co.jp/article/COLUMN/20121122/439421/)
■資格
• 統計検定２級
■趣味
• 料理、音楽、読書、演芸鑑賞、旅行・ドライブ・アウトドア、写真、自転車、映画・海外ド
ラマ、工作、水彩画（最近やってません…）
■標語
• なんでもやってみよう！
• 理論と現実の融合
6

アジェンダ
■データ中心時代とは？
■データ中心時代を生き抜くには？
■株式会社オープンストリームのご紹介
9

どんなエンジニアに
なりたいですか？
10
00

■とりあえず食べていけるエンジニア
■会社をリードするエンジニア
■業界をリードするエンジニア
■時代をリードするエンジニア
11

■今日は、 
⃝⃝をリードするエンジニアを目指す人 
に向けてお話したいと思います
12

データ中心の時代とは？
13
01

■ビッグデータ
■スマートデバイス
■IoT*1 / M2M*2
■…
14
*1:Internet of Things
*2:Machine to Machine

■データ中心の時代とは、 
良質なデータを持ち 
そのデータを上手く活用できる 
人や集団が、ビジネスや政治の 
中心となって活躍する時代です。
15

■いままで無理だった分野や場所でも 
データが得られるようになり、 
勘や経験ではなく 
科学的に物事を判断できる範囲が 
拡がる時代です。
16

■この流れは 
今後、強まることはあっても、 
弱まることはないでしょう。
17

■そこでは、これまでITシステムで 
主流だったものとは異なるタイプの 
データを扱う必要があります。
18

Type-I:いままでのITシステムで 
扱っていたデータ
■数値（金額、日付、個数…）
■文字列（名前、住所、ID、URL…）
■バイト列(BLOB)（画像、音声、テキスト…）
19

Type-II:データ中心時代に
さらに必要となるデータ
• • •
20
■数値（センサー系：温度、加速度、明るさ…）
■バイト列(BLOB)（画像、音声、テキスト…）
• 内容を認識したい

■Type-IとType-IIは何がちがうのか？
21

Type-I データ
■構造化可能
• RDBに素直に格納できる
• SQLで処理できる
■決定論的
• 誰かが書き換えない限り、 
同じデータは、何度取得しても値は変わらない
■中身を見ないBLOB（画像、音声）
• 画像を表示したり、音声を再生したりはするが、画像の
内容は見ない
22

Type-II データ
■非構造化（構造化不可）
• RDBでは素直に格納できない
• SQLだけでは処理できない
■確率論的
• 同じデータ源（対象物）を計測しても、 
取得するたびに値が微妙に変わる 
→ノイズや誤差
■中身を見るBLOB（画像・音声）
• 誰が写っている？（画像認識）
• 何と言っている？（音声認識）
23

Copyright(C) Open Stream, Inc. All Rights Reserved.24
Type-I Type-II
構造化できる／しやすいできない／しにくい
数値の性質決定論的確率論的
BLOB
画像・音声
その他
中身は見ない中身を理解したい

■データ中心時代とは、 
Type-Iはもちろん、 
Type-IIデータにも 
対応しなけばならない時代です。
25

Type-IIデータを扱うには、
数学的アルゴリズムが必要になってきます
■微分・積分
■行列・線形代数
■確率・統計
■パターン認識・機械学習
■信号処理
■制御理論
■・・・
26

■ つまり、データ中心の時代とは、 
数学の時代なのです。
27

■数学が力を発揮する例を 
見てみましょう。
28

例１：月面サッカーの
ボール軌道計測
■20XX年、月面サッカー協会からの依頼
• 選手がキックしたボールの軌道を解析し、選手の特徴を分析したい。
• ボールの内蔵IoTセンサーで、リアルタイムで位置を計測できる。
• ただし、計測誤差が発生している。（コストダウンのため！）
29

計測データ例
センサーからの位置データをプロット

■計測誤差を取り除きたい！
31

アイデア-1-1
（中学生級）
■誤差＝ばらつき
■ばらつきを消すには？
■→平均をとろう！
32

移動平均を取った結果
• 平均範囲：i-5 i+5
• 赤いプロットが移動平均
• 最後まできれいな 
放物線にならない。
• 最初と最後の部分の 
データが欠ける。

アイデア-1-2
（大学1 2年級）
■『重力場で投射された物体は 
放物線を描く』
• 高校物理の知識
■計測データ＝放物線＋誤差
■最小二乗法で誤差を取り除く
34

最小二乗法の考え方
35
y = f(x)
S1
S2
S3 SN
P1(x1, y1)
ˆy1 = f(x1)
計測データ P1 PNについて、
S1 SNの合計が最小となるような 
直線 y=f(x) を求める。
直線以外にも使える

最小二乗法の結果
36
• 放物線をデータに当ては
めた
• 統計学的に最も妥当な放
物線が得られる

例２：月面サッカー
リアルタイム計測編
■前述の計測システムが好評だったので、 
次にリアルタイム化を依頼された。
■ボール飛行中にリアルタイムにノイズを取
り除いて画面に表示したい
■他のセンサー等の追加設備はない。 
（コストダウンのため！）
37

アイデア-2-1
■ボールが飛行中に放物線を求めたい。
■リアルタイムデータに最小二乗法を適用し
てみる。
38

リアルタイム最小二乗法の
結果
39

アイデア-2-2 
■誤差のあるデータ列から、時々刻々と変
化する量（ボールの位置）を推定するに
は・・・
■カルマンフィルタを使おう！
40

カルマンフィルタの結果
41
初期には少し乱れるが、i=25以降は良い軌道追従性を示している

カルマンフィルタとは
■誤差を含む計測データを使って、時間と
ともに変化するシステムの状態を推定す
る手法
■直前の計測データだけあれば良い 
（過去のデータを参照する必要ない）
42

センサー
カルマンフィルタの世界観
43
システムの
状態
（直接観測できない・
時間変化する）
外部入力
（システムの状態を変化させる）
観測者
（人間）
計測データ
ノイズ
• 計測データ知っている
• 外部入力知っている
• システムの癖知っている
• ノイズは正規分布

カルマンフィルタの数学モデル
44
現在
状態
=
直前の
状態
遷移
係数
外部
入力
+
システム
ノイズ+
•状態方程式
現在
状態
計測値
観測
係数
=
観測
ノイズ
+
•観測方程式
この２つの方程式を繰り返し適用することで、
状態の推定値の精度を徐々に高めていく。
欲しい答
センサで
得られる
世界観が
そのまま表現されている！

月面サッカーの例では
■状態＝［ボールの位置, ボールの速度]
■ニュートンの運動方程式を使って、状態方程式（遷移係数）を作成
■外部入力は月の重力（重力加速度）
■観測できるのはボールの位置だけ
45
青が計測値
赤が推定値

最小二乗法 vs
カルマンフィルタ
46
最小二乗
カルマン
フィルタ
メモリ負荷
大きい
（過去から現在までのセンサデ
ータを保持する必要あり）
小さい
（直近のセンサデータだけで良
い）
計算負荷徐々に大きくなる一定

余談：宇宙船と
カルマンフィルター
■1960年代の宇宙開発において、カルマンフィルターは 
大きな役割を果たした（ロケットの軌道制御）
47
アポロ宇宙船の
誘導コンピュータ
（ソースコードが公開されている）
月ロケットの軌道制御
赤：ロケットの自己位置計測値
青：カルマンフィルタ推定軌道
緑：真の軌道

GPSもカルマンフィルター*
48
• この円は、カルマンフィルター
で推定された誤差の大きさを
示しています。
• 円は最初大きいが、しばらく
すると小さくなる。繰り返し
更新により推定誤差が小さく
なっていくためです。
＊パーティクルフィルター等が使われている可能性もあります

フィルター理論は 
マーケティングにも応用されつつある
■ 状態空間モデルによるインターネット広告のクリック率予測  
http://www.orsj.or.jp/archive2/or57-10/or57_10_574.pdf 
*この例では、パーティクルフィルタ（粒子フィルタ）を用いて
います。これは、カルマンフィルタと似た効果のある別のフィル
タ手法です。
49

参考図書
50

例２：カメラレンズの
キャリブレーション
■画像処理による物体の位置計測システム
■高精度に位置を計測したい
■レンズによる画像の歪が問題 
（キャリブレーション：較正）
51

システム構成例
■トラックコンテナの自動荷降ろし制御＠自動倉庫 
天井に設置したカメラで、コンテナの位置を計測し、クレーンに指示値を送る
52
天井
コンテナコンベア
コンテナ
カメラ
天井クレーン
• クレーン位置精度：20mm
• 天井カメラピクセル精度：5mm
→４ピクセルずれるとOUT!!
自動倉庫へ

像の歪とは？
53
型歪糸巻形歪
オリジナル

歪みを消すには？
■大きさが分かっている物体を撮影
■歪んだ画像データから、 
元の画像への変換式を求める
■レンズの歪の特性を考える
• 歪の量は同心円状に分布、中心からの距離の関数
になる
• 多項式関数で近似できることが知られている
54

■アイデア図式
55
大きさ既知の
物体 
P(X,Y)
レンズ
f()
歪んだ
画像
p(x,y)
p(x,y)=f(P)
大きさ既知の
物体 
P(X,Y)
逆レンズ
g()
歪んだ
画像
p(x,y)
P(X,Y)=g(p)
g()=f-1() ←逆変換

■歪＝データに含まれる誤差
• レンズの特性、製造誤差、カメラの製造誤差
• デジタル誤差（量子化誤差）
■誤差を消す＝最小二乗法
• レンズ中心からの距離xに対する4∼６次方程式が
目的関数として良く使われる。
■データ数が多いほど解が安定する
56

キャリブレーションプレート
（較正基準器）
■市松模様や、ドット格子を良く使います。 
（画像認識アルゴリズムで簡単にメッシュ点の位置（点群）が求まります） 
→これを最小二乗法で処理して、変換関数 g()を求めます。
■OpenCVにも、この種のアルゴリズムが含まれています。
57

余談：スバルのeyesight
■ステレオカメラを利用している
■経年変化とキャリブレーションが課題の一つ
■どうやって解決したか？・・・調べてみてください
58

まとめ
■データ中心時代には Type-II データを 
扱うことが必要
■Type-II データの処理には 
数学的知識が欠かせない
■データを扱うあらゆる分野で数学が重要
59

データ中心の時代を
生き抜けるエンジニアになるには？
60
02

問
データ中心の時代を 
生き抜けるエンジニアに 
なるには？
61

答
変化に強い 
エンジニアになること。
62

理由
■ITの世界は変化が激しく、『一寸先は闇』
の世界です。
■個別のトレンドを全て追いかけるのは 
不可能であり、不毛です。
■変化への対応力を高めることが肝心です。
63

–チャールズ・ダーウィン
最も強い者が生き残るのではなく、
最も賢い者が生き延びるのでもない。
唯一生き残ることができるのは、
変化できる者である

問
変化に強いエンジニアに 
なるには？
65

答
技術を 
基礎・基本から理解することを 
重視して学び続けること
66

理由
■基礎知識・基本原理は普遍的であり、 
時代を経ても変化しません。
■一度学べば、一生モノです。
■新しい技術へのキャッチアップが早くなり
ます。
■他の分野に応用することで、 
新たな創造につながることもあります。
67

データ中心の時代の
基礎・基本とは？
68
03

データ中心時代の
ITエンジニアに必要な基礎・基本
■数学（応用数学・統計学）
■コンピュータサイエンス
■国語力
■英語力
■勉強力
69
どうやって学ぶか？
どんな時代にも
通用する
基礎力
}

数学
70
04

数学を学ぶ人へのヒント
■学校数学と応用数学との違い
■数学は言葉
■数学はモデル
■エンジニアの利点を活かす
71

学校数学 vs 応用数学
■学校数学
• 数学の問題を解くために数学を学ぶ
• 意味・目的が分からない（ように思える）
• 『紙と鉛筆（手計算）』で解かないといけない
■応用数学
• 現実の問題を解くためのツールになる
• 意味・目的がはっきりしている
• コンピュータで解ければ良い
72

数学は言葉
■数学は『ワケワカラン記号の羅列』
ではありません。数学語という世
界共通の言語です。 
■数学語を日本語に訳したり、日本
語を数学語に訳したりできます。 
■まずは数学語を和訳できるように
なりましょう。
73
『数学は言葉』新井紀子著

数学はモデル
■モデル＝模型
■数学は、計算のためだけのものではなく、 
現実の問題を模型化するためにあります。
■数学的モデルは、コンピュータとの 
親和性が高いです。
■方程式の解き方よりも、数学モデルの作り方を 
学ぶほうが実践的です。
74

エンジニアの利点を活かして
数学を学ぼう
■数学をコンピュータ上で動かしながら 
勉強すれば、早く深く理解できます。
■近年、数学向きのツールが多数登場
• R
• Python (IPythonがおすすめ！）
• Julia （最近注目）
• 数式処理ソフト(Mathematia, Maxima, Maple…)
75

オススメの勉強シナリオ
1.興味のある具体的例題を選ぶ
2.コンピュータ上で動かして例題を解く
3.そこに使われている数学手法を勉強する
基準：ある程度納得できるまで。 
（多少わからなくても立ち止まらない）
4.同じ数学手法が使う別の分野の問題を調べる
76

ダメな勉強シナリオ
■教科書を１ページ目から勉強していく
■途中で理解できない箇所がでてきて、 
先へ進めなくなって挫折・・・
77

おすすめ本
■高校までの数学に自信がない人向け
78
• 高校３年分の内容を１冊に
• 106時間分の講義音声ファイル
• 例題の詳細解答PDFファイル582ページ
• 独習向き

■大学で数学を習った人向け
79

おすすめドラマ
■ NUMB3RS ナンバーズ天才数学者の事件ファイル
80
• LAを舞台とした刑事ドラマ
• FBI捜査官の兄、天才数学者の弟が協力し、数学を使っ
て犯罪捜査
• 劇中で使われる数学は本物（制作にはプロの数学者）
• 解説本も出ている
• 数学を知らなくても楽しめる
• BS放送 D-Life で再放送中

おすすめ映画
■ イミテーション・ゲーム（３月１３日公開）
81
• 数学者アラン・チューリングの生涯を描いた映画
• アインシュタインと並ぶ『２０世紀の天才』
• コンピュータの原理・限界：チューリング・マシン
• 人工知能の父：チューリング・テスト
• ナチスのエニグマ暗号を解読、アメリカを勝利に導いた影の立役者

機械学習を勉強しよう！
■おすすめする理由
• あらゆる数学が使われていて題材の宝庫
• よいツール・ライブラリがってきている 
（Python系がおすすめ）
• 動かして試しながら学べるのでエンジニア向き
■機械学習・AI系の注目テーマ
• ディープ・ラーニング(Deep Learning)
• word2vec
82

パターン認識器の共通形
83
入力
データ
特徴抽出
特徴量
データ
判別器
答
出力

Deep Learning以前の
パターン認識
84
入力
データ
特徴抽出
特徴量
データ
判別器
答
出力
従来法
人間（専門家）が設計・調整機械学習（教師あり）
特徴量の設計が性能を左右する。
専門家が勘や経験則で特徴量を設計していた。

Deep Learningによる
パターン認識
85
入力
データ
特徴抽出
特徴量
データ
判別器
答
出力
従来法
人間（専門家）が設計・調整機械学習（教師あり）
Deep Learning
機械学習（教師なし）
Google の Deep Belief Network:
膨大なデータと計算パワーにより、特徴抽出を自動化した！
『世界にはあらかじめ構造があり、その構造そのものを学習する』
特徴量の設計が性能を左右する。
専門家が勘や経験則で特徴量を設計していた。

word2vec
■Deep Learningを文書データに適用
■単語の意味を『意味ベクトルの合成値』
として表現できる
■King - Man + Woman = Queen という
計算を実行できる！
• 王・支配者という意味ベクトル
• 性別という意味ベクトル
86

機械学習の注意点
■OSS等が充実してきており学習器は誰でもすぐ使えます。
■しかし、結局は機械的な処理なので、どんな変なデータを
入力しても学習器は何かしらの（間違っているかも知れな
い）答を出してきます。
■データの性質の把握して、学習器の答を正しく評価するこ
とが必要になってきます。
■良い参考資料
• http://www.slideshare.net/canard0328/
ss-44288984
87

Deep Learningの
参考書
88
■ まだ日本語の文献は少ないです。

コンピュータサイエンス
89
05

日本の平均的な
エンジニアの問題
■コンピュータの専門家ではなく、 
プログラミングやツールの専門家に 
なってしまっている
■数学を駆使したデータ処理などで、 
高度な問題に対処する際には、 
コンピュータサイエンスの 
知識が必要
90

■ コンピュータ的思考の原理・科学
■ どのような原理でコンピュータが動いているか
■ 課題を解決するためには、 
どのようにコンピュータを動かせばよいか？
91

コンピュータサイエンス？
■ソフトウェア工学よりも 
コンピュータサイエンスが重視される時代
• ソフトウェアを『いかに上手く作るか』よりも、 
コンピュータを『いかに上手く動かすか』が大きな課題
■理由：増大するビッグデータ処理への要求
• 分散コンピューティング
• 並列コンピューティング
• 関数型プログラミング
• アルゴリズム解析論
92

IT業界の先行指標
CMUの動向
■カーネギーメロン大学(CMU) 
コンピュータサイエンス学科(CSD)の 
カリキュラム改革（2011年秋）
• http://www.cs.cmu.edu/ bryant/pubdir/cmu-cs-10-140.pdf
■新入生にまず関数型プログラミング、 
並列計算などから教える
■オブジェクト指向は上級になってから
93
＊マルレク資料より抜粋 https://drive.google.com/ﬁle/d/0B04ol8GVySUuUFludEYyTHFJTGs/view

CMUの危機意識
■受験テクニックと化したJava入試により 
コンピュータ分野に対する 
学生のイメージの低下
• 『ITは知的な内容と︎関係︎がなく、就職といえ︎ば狭い部屋に
一日中座ってコードを書いていて、 
実世界に︎何の影響力も持たない仕事？』
• （Javaが簡単に見えるため）『IT系の仕事は将来発展の見
通しが立ちにくく、低賃金の外国にアウトソースされる仕事
では？』
94

Javaの功罪(by CMU)
■Javaはアプリ開発には素晴らしい言語
■しかし『温室育ち』のプログラマを大量発生させた
■ライブラリや環境が高度にチューニングされすぎている
■例えば、各種ソートアルゴリズムの理論について知らな
くてもアプリが書けてしまう
■学生にアルゴリズムやパフォーマンス 
（計算量）の理論を学ばせるには向かない
■初級コースからは全面削除
95

関数型プログラミングが
重要な理由
■ビッグデータには並列計算が必要
■CPUのマルチコア化
■オブジェクト指向は並列計算に向かない
• 反モジュラー的（継承・複雑なネスト）
• 反パラレル的（見えない副作用、内部状態が存在）
96

順序依存のないアルゴリズムは
並列化できる
97
x1,t x2,t x3,t xn,t時刻 t ・・・
時刻 t+1 x1,t+1 x2,t+1 x3,t+1 xn,t+1・・・
xk,t+1 = f(xk,t)
kの順序に関係なく計算ができる
→並列化可能
時間軸

順序依存のあるアルゴリズムは
並列化できない
98
x1,t x2,t x3,t xn,t時刻 t ・・・
時刻 t+1 x1,t+1 x2,t+1 x3,t+1 xn,t+1・・・
計算結果は、kの順序に依存
→並列化できない！
xk,t+1 = f(xk,t)xk+1,t = g(xk,t)
時間軸

並列化できるかどうかを
コードから自動的に判定できるか？
■ オブジェクト指向（手続き型）
• 判定できない。
• g()によりobjのプロパティが変化しているかも知れない
• 何か外部の値を参照しているかも知れない
99
xk,t+1 = obj.g(xk,t)
■ 関数型
• 判定できる。
• 『関数』は副作用がないという言語仕様
xk,t+1 = f(xk,t)

■関数型言語では、 
自動並列化コンパイラが作成しやすい
■OO言語では、 
自動並列化は非常に困難
100

『データ構造とアルゴリズム』
■従来の前提
• CPUは１個、シーケンシャルな処理をいかに効
率化するか？
• 手続き型プログラミングモデルで分析
■新しいアプローチ
• CPUがN個あったらどうする？
• 関数型プログラミングモデルで分析
101

まとめ
■コンピュータ技術の根底には 
きちんと原理・科学がある
■時代の要請に応じて重点が変化
• Web→ビッグデータ
■関数型プログラミングの重要性が 
今後大きくなる
102

国語力
103
06

とにかくこれを読もう！
■データは現実世界での意味づけ、
ストーリーがなければ活用でき
ません。
■人間は、最終的には言葉でのス
トーリー化された説明・理解が
必要です。
■一流の技術者になるには、明快
で論理的な文章力が必須です。
104

図解主義の危険性
■図やイラストは分かりやすいため、逆に
『分かった気になる』危険性がある。
■いざ文章に書いてみようとしたら、書け
ない！＝自分が問題をキチンと理解して
いないことに気づくことがよくある。
105

参考：Amazon社の
ナラティブ経営
■ナラティブ（説話的・物語的）
■ アマゾンの会議は３０分間の沈黙から始まる
• http://ascii.jp/elem/000/000/897/897508/
• 会議資料にパワポ（スライド資料）は禁止
• A4 ４∼６枚の文章で説明することが求められる
• 会議の参加者は、前半30分で資料を精読、後半30分で深い討議
• 「重要な問題について理解してるかどうかを把握するためにナラ
ティブが重要。」
• 「最初は非効率的な会議だと思っていたが、今はちがう。事前にす
べての資料を読むわけにはいかないし、短い時間の中で問題の把握
ができて、何を解決したいかも分かる」
106

英語力
107
07

私は英語が苦手です
■この本のやり方で勉強しています
■ヒアリング・発音重視
■脳の学習のクセを利用
■エンジニアは英語の読み書きは 
できる人が比較的多いが、 
会話が弱い人が多い
■会話にはヒアリング力が重要
108

勉強力
109
08

エンジニアの勉強で
大事なこと
■トップダウンとボトムアップのバランス
■インプットとアウトプットのバランス
■指標を使って成長を実感
110

■トップダウン型の勉強法
• まず問題を解いてみる。分からない箇所を逆にた
どりながら教科書を読む
■ボトムアップ型の勉強法
• まず教科書を一通り勉強してから、問題を解く
111
TOP
BOTTOM

伸び悩むエンジニアは
トップダウンだけ
■『すぐに役立つ』TIPSが大好き
■Qiitaは読むだけ
■『いまどきの』とか『イケてる』という 
フレーズに弱い
■プログラミングを『覚え』ようとする
■『やり方(How to)』だけを知りたがる
■自分のコードを説明できない
■センスや経験だけに頼ろうとする
112

まず『やってみる』ことは大切
しかし・・・
■『やってみた』は TIPS/How to 知識
■for What/Why 知識を結びつけること
• 何のためにやるのか？
• なぜそうやると良いのか？
• どういう基本原理が作用しているのか？
• どういう前提条件なのか？
113

初めトップダウン
途中ボトムアップ、がオススメ
■新しい分野にチャレンジする時、 
『まずやってみる』（例題・サンプル）
■やった結果を調べる
• なぜこのような結果が得られたのか？
• 自分が知っている言葉（＝原理）で説明できるよ
うになるまでること
114

インプットとアウトプット
■インプット
• 知識を頭に入れていく
■アウトプット
• インプットした知識を外に出す、実際に使う
115

インプットとは覚えるのではなく
理解すること
■ダメなエンジニア
• When, Howが中心
• 仕事を覚える＝TIPSをたくさん覚えること、 
だと思っている
■良いエンジニア
• Why, for What も押さえている
• 仕事を覚える＝原理・原則・例外を理解する
• 自分の言葉で説明できる
116

伸び悩むエンジニアは
インプットだけ
■技術書を沢山買っている
• オライリーへの貢献が半端ない！
■勉強会とかセミナーに良く行く
• けど行くだけ
117

アウトプットするために
インプットしよう
■勉強会を主催してみる
■ブログに書いてみる
■デモプログラムを作る
■コンテストに出場してみる
118

指標の大切さ
■ゴール指標
• 資格取得、⃝⃝完成、etc.
■日々の指標
• 毎日何分やったか？など
• 進の見える化＝小さな達成感の積み重ね
• レコーディング・ダイエットの例
119

最後のまとめ
■データ中心の時代とは数学の時代
■技術の進化により数学のイメージが変わる、
学び方も変わる
■どんな時代でも生き残れるエンジニアに 
なるには、基礎・基本が重要
■技術は覚えるのではなく、理解する
■勉強の仕方を見直そう
120

データ中心の時代を生き抜くエンジニアに知ってほしい10?のこと

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to データ中心の時代を生き抜くエンジニアに知ってほしい10?のこと

Similar to データ中心の時代を生き抜くエンジニアに知ってほしい10?のこと (20)

More from Hideo Terada

More from Hideo Terada (7)

データ中心の時代を生き抜くエンジニアに知ってほしい10?のこと