SlideShare a Scribd company logo
「データサイエンティスト・
ブーム」後の企業における
データ分析者像を探る
株式会社リクルートコミュニケーションズ データサイエンティスト
尾崎 隆 (Takashi J. OZAKI, Ph. D.)
2014/5/13 1
一応、自己紹介を…
尾崎 隆 (Takashi J. OZAKI, Ph.D.)
 “J”に深い意味はありません
 学者だった頃に同業界にT. Ozakiさんがいたので
 と思ってJをつけたら、別業界にT. J. Ozakiさんが…
2014/5/13 2
一応、自己紹介を…
 前職は「脳科学者」(認知神経科学者)でした
2014/5/13 3
(Ozaki, PLoS One, 2011)
一応、自己紹介を…
こういうキャリアをたどっております
 1997~2001年 東京大学工学部計数工学科
(※情報工学系)
 2001~2006年 東京大学大学院新領域創成科学研究科
修士&博士課程(脳科学)
 2006~2011年 理化学研究所脳科学総合研究センター
研究員(脳科学)
 2011~2012年 東京大学教養学部 特任研究員(心理学)
 2012年4月 慶應義塾大学医学部 特任助教(産学連携)
※30代のうちにバイオ系分野のポスドク問題を乗り
切ることは 事実上不可能と判断して、キャリアチェ
ンジに打って出ることを決心
 2012年6月 サイバーエージェント入社
 2013年7月 リクルートコミュニケーションズ入社
2014/5/13 4
一応、自己紹介を…
こういうことをしていました
 2003~2006年 機能的MRIを用いたヒト脳研究
(有力なノーベル賞候補として知られ、
機能的MRIを発明した小川誠二先生
の研究所にて研修生として共同研究を
していました)
 2006~2011年 脳信号に対する計量時系列分析を用いた
ネットワーク解析
 2011~2012年 脳信号に対する上記ネットワーク解析+
SVMを用いた脳活動分類
2014/5/13 5
一応、自己紹介を…
現在は…
2014/5/13 6
ブログ&Twitterやってます
ところで、
2014/5/13 7
「データサイエンティスト」についての記事、
もうだいぶ前から世間では溢れ返ってますよね。
例えば
 データサイエンティストとは何か
 データサイエンティストのつくり方
 データサイエンティストのつかい方
 データサイエンティストと「分析力」
 データサイエンティストの育成について
 データサイエンティストのスキルセット
 データサイエンティストとビッグデータ
 データサイエンティストの要件とは
 データサイエンティストはどんな企業にいるのか
…などなど挙げればキリがないですね
2014/5/13 8
でも、気が付いたら…
2014/5/13 9
いつの間にか「データサイエンティスト」って、
オワコンになってますよね。
Googleトレンドは嘘つきません
2014/5/13 10
まだまだ上り調子
既に低迷…
ということで、
2014/5/13 11
本日は「データサイエンティスト・ブーム」終焉後の
ビジネスにおけるデータ分析者のあるべき姿について
「現場感」を交えつつお話します。
本日のお品書き
 2014年版データ分析者の3要素
 「アルゴリズム実装」「アドホック分析」への二極化
 今後どのような業界がデータ分析者を必要とするのか
 ケーススタディ:企業ではどんなデータ分析をしているのか
2014/5/13 12
本日のお品書き
3要素!
2014/5/13 13
データ分析者
)),(1(
1


n
k
kikki Kyy xx
データ分析者 マネージャー
予測してみました わかりやすいね
アドホック分析 / アルゴリズム実装
)),(1(
1


n
k
kikki Kyy xx
どこに
行こう?
データ分析者
アドテク
ソシャゲ
金融
コンサル
メディア
Tech系
スタートアップ
Eコマース
流通
本日のお品書き
 2014年版データ分析者の3要素
 「アルゴリズム実装」「アドホック分析」への二極化
 今後どのような業界がデータ分析者を必要とするのか
 ケーススタディ:企業ではどんなデータ分析をしているのか
2014/5/13 14
本日のお品書き
3要素!
2014/5/13 15
データ分析者
)),(1(
1


n
k
kikki Kyy xx
データ分析者 マネージャー
予測してみました わかりやすいね
アドホック分析 / アルゴリズム実装
)),(1(
1


n
k
kikki Kyy xx
どこに
行こう?
データ分析者
アドテク
ソシャゲ
金融
コンサル
メディア
Tech系
スタートアップ
Eコマース
流通
2014年版データ分析者の3要素
データサイエンティスト
“Data Scientist: The Sexiest Job of
the 21st Century”
Thomas H. Davenport and D.J.
Patil, HBR Oct, 2012
「データサイエンティストは21世紀
で最もセクシーな職業」
大変有名な売り文句
2014/5/13 16
2014年版データ分析者の3要素
データサイエンティスト
データマイニング
アナリティクス・レポーティング
コンサルティング・マーケティング
中でも重要な3つの要件と言われていたのが…
2014/5/13 17
2014年版データ分析者の3要素
「スーパーマン」説(HBRなど)
 コンサルタントorマーケッター
 アナリストorレポーティング
スペシャリスト
 データマイニングスペシャリスト
…を、「同時に兼ねる」
 そんなスーパーマンどこにいるの?
…いたら誰も苦労しない
データサイエンティスト
へ?スーパーマン?
2014/5/13 18
2014年版データ分析者の3要素
2014/5/13 19
まだまだ上り調子
既に低迷…
だがスーパーマン的データサイエンティストはオワコン
2014年版データ分析者の3要素
 そこで出てきたのが「三位一体」説
 スーパーマンなんて無理
 3つの役割を例えば3人で分担
 チームで揃えば「1つの完成したデータ
サイエンティスト像になる」
データサイエンティスト
・・・三位一体!
2014/5/13 20
2014年版データ分析者の3要素
2014/5/13 21
スーパーマンは不要なら「三位一体」
では、どんな人材が必要?
2014年版データ分析者の3要素
分析ィィィィィ レポートォォォォォ コンサルゥゥゥゥゥ
従来のデータサイエンティスト像
2014/5/13 22
データマイニング アナリティクスorレポーティング コンサルティングor
マーケティング
2014年版データ分析者の3要素
分析ィィィィィ へ? へ?
2014/5/13 23
従来のデータサイエンティスト像
データマイニング アナリティクスorレポーティング コンサルティングor
マーケティング
2014年版データ分析者の3要素
データマイニング
・・・あれれ?
コンサルティングorマーケティング
orアナリティクス
一人分にまとめられた。。。
2014/5/13 24
従来のデータサイエンティスト像
2014年版データ分析者の3要素
・・・あれれ?
2014/5/13 25
一人分にまとめられた。。。
従来のデータサイエンティスト像
データマイニング コンサルティングorマーケティング
orアナリティクス
2014年版データ分析者の3要素
おお!!!
2014/5/13 26
おおお!!! 一人分にまとめられた。。。
現代のデータ分析チーム
統計学・機械学習の
学術的スキル
コンサルタントorマーケッター
orアナリストとしてのスキル
プログラミング・DB・インフラ
等IT基盤技術スキル
2014年版データ分析者の3要素
統計学・機械学習の
学術的スキル
コンサルタントorマーケッター
orアナリストとしてのスキル
2014/5/13 27
プログラミング・DB・インフラ
等IT基盤技術スキル
KPI1を上げるためには○○!
)),(1(
1


n
k
kikki Kyy xx
現代のデータ分析チーム
本日のお品書き
 2014年版データ分析者の3要素
 「アルゴリズム実装」「アドホック分析」への二極化
 今後どのような業界がデータ分析者を必要とするのか
 ケーススタディ:企業ではどんなデータ分析をしているのか
2014/5/13 28
本日のお品書き
3要素!
2014/5/13 29
データ分析者
)),(1(
1


n
k
kikki Kyy xx
データ分析者 マネージャー
予測してみました わかりやすいね
アドホック分析 / アルゴリズム実装
)),(1(
1


n
k
kikki Kyy xx
どこに
行こう?
データ分析者
アドテク
ソシャゲ
金融
コンサル
メディア
Tech系
スタートアップ
Eコマース
流通
「アルゴリズム実装」「アドホック分析」への二極化
2014/5/13 30
統計学・機械学習の
学術的スキル
コンサルタントorマーケッター
orアナリストとしてのスキル
プログラミング・DB・インフラ
等IT基盤技術スキル
KPI1を上げるためには○○!
)),(1(
1


n
k
kikki Kyy xx
現代のデータ分析チーム
「アルゴリズム実装」「アドホック分析」への二極化
2014/5/13 31
KPI1を上げるためには○○!
割と容易
かなり難しい
統計学・機械学習の
学術的スキル
コンサルタントorマーケッター
orアナリストとしてのスキル
プログラミング・DB・インフラ
等IT基盤技術スキル
)),(1(
1


n
k
kikki Kyy xx
「アルゴリズム実装」「アドホック分析」への二極化
2014/5/13 32
KPI1を上げるためには○○!
統計学・機械学習の
学術的スキル
コンサルタントorマーケッター
orアナリストとしてのスキル
プログラミング・DB・インフラ
等IT基盤技術スキル
)),(1(
1


n
k
kikki Kyy xx
「アルゴリズム実装」「アドホック分析」への二極化
2014/5/13 33
あれれ、吸収されていく…
左側の二者がビジネススキルを
身に付けてしまえば良い
統計学・機械学習の
学術的スキル
コンサルタントorマーケッター
orアナリストとしてのスキル
プログラミング・DB・インフラ
等IT基盤技術スキル
)),(1(
1


n
k
kikki Kyy xx
「アルゴリズム実装」「アドホック分析」への二極化
2014/5/13 34
プランニングとマネジメント
統計学・機械学習の
学術的エキスパート
ディレクターorプランナープログラミング・DB・インフラ
等IT基盤技術エキスパート
データ分析+ディレクション
というチーム形態
)),(1(
1


n
k
kikki Kyy xx
「アルゴリズム実装」「アドホック分析」への二極化
2014/5/13 35
ところで、データサイエンティストの仕事は、
さらに2通りに分かれることをご存知ですか?
「アルゴリズム実装」「アドホック分析」への二極化
• スパムフィルタ・レコメンド
システム・広告最適化配信など
「システム開発・実装」
アルゴリズム
実装系
• 事業改善・現況分析レポート・
市場動向予想など
「分析(グロースハック)」
アドホック
分析系
2014/5/13 36
「アルゴリズム実装」「アドホック分析」への二極化
2014/5/13 37
統計学・機械学習の
学術的エキスパート
プログラミング・DB・インフラ
等IT基盤技術エキスパート
そこで、こういう合従連衡が起きる
)),(1(
1


n
k
kikki Kyy xx
「アルゴリズム実装」「アドホック分析」への二極化
2014/5/13 38
統計学と機械学習とIT技術全てに通じて
レポートがアウトプットになる系
統計学と機械学習とIT技術全てに通じて
システム構築がアウトプットになる系
そこで、こういう合従連衡が起きる
)),(1(
1


n
k
kikki Kyy xx
「レポート主体なら
この環境がいいよね」 「システム組むなら
この環境かなぁ」
「ここは共通」
「アルゴリズム実装」「アドホック分析」への二極化
2014/5/13 39
これらの2パターンを名付けて…
「アルゴリズム実装」「アドホック分析」への二極化
2014/5/13 40
アルゴリズム実装系
データ分析
)),(1(
1


n
k
kikki Kyy xx
アドホック分析系
データ分析
共通スキル
本日のお品書き
 2014年版データ分析者の3要素
 「アルゴリズム実装」「アドホック分析」への二極化
 今後どのような業界がデータ分析者を必要とするのか
 ケーススタディ:企業ではどんなデータ分析をしているのか
2014/5/13 41
本日のお品書き
3要素!
2014/5/13 42
データ分析者
)),(1(
1


n
k
kikki Kyy xx
データ分析者 マネージャー
予測してみました わかりやすいね
アドホック分析 / アルゴリズム実装
)),(1(
1


n
k
kikki Kyy xx
どこに
行こう?
データ分析者
アドテク
ソシャゲ
金融
コンサル
メディア
Tech系
スタートアップ
Eコマース
流通
今後どのような業界がデータ分析者を必要とするのか
アドテク
ソシャゲ
金融
コンサル
メディア
Tech系
スタートアップ
Eコマース
流通
2014/5/13 43
特にデータ分析が
求められている業界
今後どのような業界がデータ分析者を必要とするのか
• レコメンダーシステム
• サイト面のA/Bテスト、
多腕バンディット
Eコマース
• 課金イベントの個々のユー
ザー単位での最適化
• 最適ゲームレベル設定
ソシャゲ
2014/5/13 44
今後どのような業界がデータ分析者を必要とするのか
• SSP / DSP
• DMPによるユーザー単位最適広告配信
• 広告予算ポートフォリオ最適化
アドテク
• キュレーションサービス(レコメン
ダーシステムなど)
• 画像認識、音声認識、自然言語処理など
Tech系
スタート
アップ
2014/5/13 45
今後どのような業界がデータ分析者を必要とするのか
• 既存メディア広告の最適化
• 視聴者情報に基づくサービス開発
メディア
• データに基づく経営意思決定支援
• データ管理システム導入
コンサル
• 「クオンツ」
• 「アクチュアリー」
金融
• 流通コスト最適化
• 在庫の最適管理
流通
2014/5/13 46
本日のお品書き
 2014年版データ分析者の3要素
 「アルゴリズム実装」「アドホック分析」への二極化
 今後どのような業界がデータ分析者を必要とするのか
 ケーススタディ:企業ではどんなデータ分析をしているのか
2014/5/13 47
本日のお品書き
3要素!
2014/5/13 48
データ分析者
)),(1(
1


n
k
kikki Kyy xx
データ分析者 マネージャー
予測してみました わかりやすいね
アドホック分析 / アルゴリズム実装
)),(1(
1


n
k
kikki Kyy xx
どこに
行こう?
データ分析者
アドテク
ソシャゲ
金融
コンサル
メディア
Tech系
スタートアップ
Eコマース
流通
ケーススタディ:企業ではどんなデータ分析をしているのか
2014/5/13 49
あくまでもよくあるケースをRでの実行例とともに
挙げていきます
(※基本的に業界ごとに違います:例えばソシャゲ系とアドテク系と
コンサル系とでは全く違う)
ID game1 game2 game3 social1 social2 app1 app2 cv
1001 0 0 0 1 0 0 0No
1002 1 0 0 1 1 0 0No
1003 0 1 1 1 1 1 0Yes
1004 0 0 1 1 0 1 1Yes
1005 1 0 1 0 1 1 1Yes
1006 0 0 0 1 1 1 0No
… … … … … … … ……
ケーススタディ:ソシャゲでCV貢献要素を同定し、予測したい
ユーザーID+素性(そせい)ベクトル+分類ラベル
ユーザー行動ログをHiveで取ってきて、
前処理をかけて以下のように直す。
2014/5/13 50
ケーススタディ:ソシャゲでCV貢献要素を同定し、予測したい
素性=学習データ 正解
ラベル
教師あり機械学習で
1) 分類&貢献度の高い指標の特定
2) 未来データの予測
などの高度な分析が可能
(ロジスティック回帰、SVM、ランダムフォレスト等)
2014/5/13 51
ID game1 game2 game3 social1 social2 app1 app2 cv
1005 1 0 1 0 1 1 1Yes
ケーススタディ:ソシャゲでCV貢献要素を同定し、予測したい
2014/5/13 52
> d1.glm<-glm(cv~.,d1,family=binomial)
> summary(d1.glm)
Call:
glm(formula = cv ~ ., family = binomial, data = d1)
Deviance Residuals:
Min 1Q Median 3Q Max
-3.6404 -0.2242 -0.0358 0.2162 3.1418
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.37793 0.25979 -5.304 1.13e-07 ***
game1 1.05846 0.17344 6.103 1.04e-09 ***
game2 -0.54914 0.16752 -3.278 0.00105 **
game3 0.12035 0.16803 0.716 0.47386
social1 -3.00110 0.21653 -13.860 < 2e-16 ***
social2 1.53098 0.17349 8.824 < 2e-16 ***
app1 5.33547 0.19191 27.802 < 2e-16 ***
app2 0.07811 0.16725 0.467 0.64048
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 4158.9 on 2999 degrees of freedom
Residual deviance: 1044.4 on 2992 degrees of freedom
AIC: 1060.4
Number of Fisher Scoring iterations: 7
例えばロジスティック回帰なら…
ケーススタディ:ソシャゲでCV貢献要素を同定し、予測したい
2014/5/13 53
> tuneRF(d1[,-8],d1[,8],doBest=T)
mtry = 2 OOB error = 6.2%
Searching left ...
mtry = 1 OOB error = 9.8%
-0.5806452 0.05
Searching right ...
mtry = 4 OOB error = 6.37%
-0.02688172 0.05
# 略
> d1.rf<-randomForest(cv~.,d1,mtry=2)
> print(d1.rf)
Call:
randomForest(formula = cv ~ ., data = d1, mtry = 2)
Type of random forest: classification
Number of trees: 500
No. of variables tried at each split: 2
OOB estimate of error rate: 6.4%
Confusion matrix:
No Yes class.error
No 1400 100 0.06666667
Yes 92 1408 0.06133333
> d1.rf$importance
MeanDecreaseGini
game1 22.687882
game2 11.799479
game3 2.477267
social1 205.650997
social2 81.927232
app1 757.108939
app2 2.757827
例えばランダムフォレストなら…
ケーススタディ:ソシャゲでCV貢献要素を同定し、予測したい
2014/5/13 54
アソシエーション分析と
グラフ構造可視化を合わせると…
ケーススタディ:オンライン広告のクリエイティブを最適化したい
2014/5/13 55
bgcolor fontcolor fontsize campaign imp click
black yellow large price 5372 338
black yellow large quality 4763 197
black yellow small quantity 13315 126
blue white large quantity 823 498
blue yellow small quality 10688 109
blue white large price 1966 217
black white small quantity 904 73
black white small price 7392 494
blue white small quality 18765 195
blue yellow large quantity 1293 211
blue yellow small price 12714 368
black white large quality 13620 410
あるキャンペーンのバナー広告を想定する:背景は「黒or青」、フォント
カラーは「黄or白」、フォントサイズは「大or小」、キャンペーン内容は
「品質重視or数量(お買い得)重視」
Click-through rate (CTR: click/imp)への寄与度をロジスティック回帰で検証
ケーススタディ:オンライン広告のクリエイティブを最適化したい
2014/5/13 56
> ads.glm<-glm(cbind(click,imp-click)~.,ads,family=binomial)
> summary(ads.glm)
Call:
glm(formula = cbind(click, imp - click) ~ ., family = binomial,
data = ads)
Deviance Residuals:
Min 1Q Median 3Q Max
-14.0809 -4.8288 0.7445 7.1025 15.2489
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.69218 0.04345 -38.95 <2e-16 ***
bgcolorblue 0.49417 0.03773 13.10 <2e-16 ***
fontcoloryellow -0.99586 0.04193 -23.75 <2e-16 ***
fontsizesmall -1.46809 0.03789 -38.74 <2e-16 ***
campaignquality -1.54981 0.04679 -33.12 <2e-16 ***
campaignquantity 0.55265 0.04645 11.90 <2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 4250.65 on 11 degrees of freedom
Residual deviance: 990.02 on 6 degrees of freedom
AIC: 1087.8
Number of Fisher Scoring iterations: 5
背景は「青」
フォントカラーは「白」
フォントサイズは「大」
キャンペーンは「数量重視」
が、CTR向上に効果的という結果
ケーススタディ:3種のオンライン広告投下額からCVユーザー数
をモデリングしたい
2014/5/13 57
CVユーザー数の時系列
3種のオンライン広告投下額の
時系列
ケーススタディ:3種のオンライン広告投下額からCVユーザー数
をモデリングしたい
2014/5/13 58
馬鹿正直に正規線形モデルを当てはめると、トレンドが表現できない
ケーススタディ:3種のオンライン広告投下額からCVユーザー数
をモデリングしたい
2014/5/13 59
Stan MCサンプラーを用いて、階層ベイズモデル
に基づくベイジアンモデリングを行う
ケーススタディ:3種のオンライン広告投下額からCVユーザー数
をモデリングしたい
2014/5/13 60
model {
real q[N];
trend~normal(28,20);
for (i in 3:N)
trend[i]~normal(2*trend[i-1]-trend[i-2],s_trend);
for (i in 1:N)
q[i]<-y[i]-trend[i];
for (i in 1:N)
q[i]~normal(a*x1[i]+b*x2[i]+c*x3[i]+d,s_q);
}
𝐶𝑉𝑡 = 𝑄𝑡 + 𝑡𝑟𝑒𝑛𝑑 𝑡
𝑄𝑡 = 𝑎𝑥1𝑡 + 𝑏𝑥2𝑡 + 𝑐𝑥3𝑡 + 𝑑 + 𝜀𝑡
𝑡𝑟𝑒𝑛𝑑 𝑡 − 𝑡𝑟𝑒𝑛𝑑 𝑡−1 = 𝑡𝑟𝑒𝑛𝑑 𝑡−1 − 𝑡𝑟𝑒𝑛𝑑 𝑡−2 + 𝜀𝑡
(𝜀𝑡 ≈ 𝑁 𝜇, 𝜎 )
CVユーザー数を正規線形モデル+トレンドの和で表現した階層ベイズモデル
ケーススタディ:3種のオンライン広告投下額からCVユーザー数
をモデリングしたい
2014/5/13 61
階層ベイズモデルにより、トレンドを表現した上で正確にモデリング
3種類の広告それぞれの
効果の比
ケーススタディ:3種のオンライン広告投下額からCVユーザー数
をモデリングしたい
2014/5/13 62
階層ベイズモデルにより、トレンドを表現した上で正確にモデリング
以上、「データサイエンティスト・ブーム」終焉後のデータ分析者像
を見てきました
3要素!
2014/5/13 63
データ分析者
)),(1(
1


n
k
kikki Kyy xx
データ分析者 マネージャー
予測してみました わかりやすいね
アドホック分析 / アルゴリズム実装
)),(1(
1


n
k
kikki Kyy xx
どこに
行こう?
データ分析者
アドテク
ソシャゲ
金融
コンサル
メディア
Tech系
スタートアップ
Eコマース
流通
「データサイエンティスト」はオワコンになっても…
2014/5/13 64
データ分析者のニーズと、
データ分析カルチャーとは、
今後もビジネスシーンに浸透し続ける。
何故なら、嫌でも今後データは貯まり、
いずれは「そのデータで何をするか」*を
どこの企業でも必ず問う羽目になるから。
* 同時に何を「しないか」も問われる
言い換えると
2014/5/13 65
今が日本の企業におけるデータ分析の夜明け。
チャンスも課題もこれから!

More Related Content

What's hot

機械学習応用システムの安全性の研究動向と今後の展望
機械学習応用システムの安全性の研究動向と今後の展望機械学習応用システムの安全性の研究動向と今後の展望
機械学習応用システムの安全性の研究動向と今後の展望
Nobukazu Yoshioka
 
さらば!データサイエンティスト
さらば!データサイエンティストさらば!データサイエンティスト
さらば!データサイエンティスト
Shohei Hido
 
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
 
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
mlm_kansai
 
実践多クラス分類 Kaggle Ottoから学んだこと
実践多クラス分類 Kaggle Ottoから学んだこと実践多クラス分類 Kaggle Ottoから学んだこと
実践多クラス分類 Kaggle Ottoから学んだこと
nishio
 
機械学習システム開発案件の事例紹介
機械学習システム開発案件の事例紹介機械学習システム開発案件の事例紹介
機械学習システム開発案件の事例紹介
BrainPad Inc.
 
NLPにおけるAttention~Seq2Seq から BERTまで~
NLPにおけるAttention~Seq2Seq から BERTまで~NLPにおけるAttention~Seq2Seq から BERTまで~
NLPにおけるAttention~Seq2Seq から BERTまで~
Takuya Ono
 
XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性
西岡 賢一郎
 
FIT2012招待講演「異常検知技術のビジネス応用最前線」
FIT2012招待講演「異常検知技術のビジネス応用最前線」FIT2012招待講演「異常検知技術のビジネス応用最前線」
FIT2012招待講演「異常検知技術のビジネス応用最前線」
Shohei Hido
 
はじめてのパターン認識 第1章
はじめてのパターン認識 第1章はじめてのパターン認識 第1章
はじめてのパターン認識 第1章
Prunus 1350
 
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
Yuta Kikuchi
 
Google Colaboratoryの使い方
Google Colaboratoryの使い方Google Colaboratoryの使い方
Google Colaboratoryの使い方
Katsuhiro Morishita
 
トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Perplexity とは何なのか?トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Perplexity とは何なのか?
hoxo_m
 
ブレインパッドにおける機械学習プロジェクトの進め方
ブレインパッドにおける機械学習プロジェクトの進め方ブレインパッドにおける機械学習プロジェクトの進め方
ブレインパッドにおける機械学習プロジェクトの進め方
BrainPad Inc.
 
計算論的学習理論入門 -PAC学習とかVC次元とか-
計算論的学習理論入門 -PAC学習とかVC次元とか-計算論的学習理論入門 -PAC学習とかVC次元とか-
計算論的学習理論入門 -PAC学習とかVC次元とか-
sleepy_yoshi
 
研究分野をサーベイする
研究分野をサーベイする研究分野をサーベイする
研究分野をサーベイする
Takayuki Itoh
 
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
tmtm otm
 
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
 
多重代入法(Multiple Imputation)の発表資料
多重代入法(Multiple Imputation)の発表資料多重代入法(Multiple Imputation)の発表資料
多重代入法(Multiple Imputation)の発表資料
Tomoshige Nakamura
 

What's hot (20)

機械学習応用システムの安全性の研究動向と今後の展望
機械学習応用システムの安全性の研究動向と今後の展望機械学習応用システムの安全性の研究動向と今後の展望
機械学習応用システムの安全性の研究動向と今後の展望
 
さらば!データサイエンティスト
さらば!データサイエンティストさらば!データサイエンティスト
さらば!データサイエンティスト
 
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
 
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
 
実践多クラス分類 Kaggle Ottoから学んだこと
実践多クラス分類 Kaggle Ottoから学んだこと実践多クラス分類 Kaggle Ottoから学んだこと
実践多クラス分類 Kaggle Ottoから学んだこと
 
機械学習システム開発案件の事例紹介
機械学習システム開発案件の事例紹介機械学習システム開発案件の事例紹介
機械学習システム開発案件の事例紹介
 
NLPにおけるAttention~Seq2Seq から BERTまで~
NLPにおけるAttention~Seq2Seq から BERTまで~NLPにおけるAttention~Seq2Seq から BERTまで~
NLPにおけるAttention~Seq2Seq から BERTまで~
 
XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性
 
FIT2012招待講演「異常検知技術のビジネス応用最前線」
FIT2012招待講演「異常検知技術のビジネス応用最前線」FIT2012招待講演「異常検知技術のビジネス応用最前線」
FIT2012招待講演「異常検知技術のビジネス応用最前線」
 
はじめてのパターン認識 第1章
はじめてのパターン認識 第1章はじめてのパターン認識 第1章
はじめてのパターン認識 第1章
 
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
 
Google Colaboratoryの使い方
Google Colaboratoryの使い方Google Colaboratoryの使い方
Google Colaboratoryの使い方
 
トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Perplexity とは何なのか?トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Perplexity とは何なのか?
 
ブレインパッドにおける機械学習プロジェクトの進め方
ブレインパッドにおける機械学習プロジェクトの進め方ブレインパッドにおける機械学習プロジェクトの進め方
ブレインパッドにおける機械学習プロジェクトの進め方
 
計算論的学習理論入門 -PAC学習とかVC次元とか-
計算論的学習理論入門 -PAC学習とかVC次元とか-計算論的学習理論入門 -PAC学習とかVC次元とか-
計算論的学習理論入門 -PAC学習とかVC次元とか-
 
研究分野をサーベイする
研究分野をサーベイする研究分野をサーベイする
研究分野をサーベイする
 
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
 
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
 
多重代入法(Multiple Imputation)の発表資料
多重代入法(Multiple Imputation)の発表資料多重代入法(Multiple Imputation)の発表資料
多重代入法(Multiple Imputation)の発表資料
 
Rで学ぶロバスト推定
Rで学ぶロバスト推定Rで学ぶロバスト推定
Rで学ぶロバスト推定
 

Similar to 「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る

tut_pfi_2012
tut_pfi_2012tut_pfi_2012
tut_pfi_2012
Preferred Networks
 
Cross-modality meta-survey of dataset
Cross-modality meta-survey of datasetCross-modality meta-survey of dataset
Cross-modality meta-survey of dataset
cvpaper. challenge
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7
Shunsuke Nakamura
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1
Shunsuke Nakamura
 
Pythonで動かして学ぶ機械学習入門_予測モデルを作ってみよう
Pythonで動かして学ぶ機械学習入門_予測モデルを作ってみようPythonで動かして学ぶ機械学習入門_予測モデルを作ってみよう
Pythonで動かして学ぶ機械学習入門_予測モデルを作ってみよう
洋資 堅田
 
最新業界事情から見るデータサイエンティストの「実像」
最新業界事情から見るデータサイエンティストの「実像」最新業界事情から見るデータサイエンティストの「実像」
最新業界事情から見るデータサイエンティストの「実像」
Takashi J OZAKI
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V6
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V6データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V6
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V6
Shunsuke Nakamura
 
Jubatusが目指すインテリジェンス基盤
Jubatusが目指すインテリジェンス基盤Jubatusが目指すインテリジェンス基盤
Jubatusが目指すインテリジェンス基盤
Shohei Hido
 
データサイエンティスト養成勉強会 こんな僕がデータサイエンティストになれた秘密
データサイエンティスト養成勉強会 こんな僕がデータサイエンティストになれた秘密データサイエンティスト養成勉強会 こんな僕がデータサイエンティストになれた秘密
データサイエンティスト養成勉強会 こんな僕がデータサイエンティストになれた秘密
Ryo Matsuura
 
実世界に埋め込まれる深層学習
実世界に埋め込まれる深層学習 実世界に埋め込まれる深層学習
実世界に埋め込まれる深層学習
Deep Learning Lab(ディープラーニング・ラボ)
 
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォームAutoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
Takuya Azumi
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V k-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V k-1データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V k-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V k-1
Shunsuke Nakamura
 
OpenData_DataCurator_20140927
OpenData_DataCurator_20140927OpenData_DataCurator_20140927
OpenData_DataCurator_20140927
Linked Open Dataチャレンジ実行委員会
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで Vm 1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで Vm 1データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで Vm 1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで Vm 1
Shunsuke Nakamura
 
おしゃスタ@リクルート
おしゃスタ@リクルートおしゃスタ@リクルート
おしゃスタ@リクルート
Issei Kurahashi
 
Cloud Impact on Business in Japan
Cloud Impact on Business in JapanCloud Impact on Business in Japan
Cloud Impact on Business in Japan
shojiro-tanaka
 
121101 ブームリサーチ ご案内資料
121101 ブームリサーチ ご案内資料121101 ブームリサーチ ご案内資料
121101 ブームリサーチ ご案内資料
Tribal Media House ,Inc.
 
データ分析というお仕事のこれまでとこれから(HCMPL2014)
データ分析というお仕事のこれまでとこれから(HCMPL2014)データ分析というお仕事のこれまでとこれから(HCMPL2014)
データ分析というお仕事のこれまでとこれから(HCMPL2014)
Takashi J OZAKI
 
20150329 tokyo r47
20150329 tokyo r4720150329 tokyo r47
20150329 tokyo r47
Takashi Kitano
 
データサイエンス概論第一=8 パターン認識と深層学習
データサイエンス概論第一=8 パターン認識と深層学習データサイエンス概論第一=8 パターン認識と深層学習
データサイエンス概論第一=8 パターン認識と深層学習
Seiichi Uchida
 

Similar to 「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る (20)

tut_pfi_2012
tut_pfi_2012tut_pfi_2012
tut_pfi_2012
 
Cross-modality meta-survey of dataset
Cross-modality meta-survey of datasetCross-modality meta-survey of dataset
Cross-modality meta-survey of dataset
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1
 
Pythonで動かして学ぶ機械学習入門_予測モデルを作ってみよう
Pythonで動かして学ぶ機械学習入門_予測モデルを作ってみようPythonで動かして学ぶ機械学習入門_予測モデルを作ってみよう
Pythonで動かして学ぶ機械学習入門_予測モデルを作ってみよう
 
最新業界事情から見るデータサイエンティストの「実像」
最新業界事情から見るデータサイエンティストの「実像」最新業界事情から見るデータサイエンティストの「実像」
最新業界事情から見るデータサイエンティストの「実像」
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V6
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V6データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V6
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V6
 
Jubatusが目指すインテリジェンス基盤
Jubatusが目指すインテリジェンス基盤Jubatusが目指すインテリジェンス基盤
Jubatusが目指すインテリジェンス基盤
 
データサイエンティスト養成勉強会 こんな僕がデータサイエンティストになれた秘密
データサイエンティスト養成勉強会 こんな僕がデータサイエンティストになれた秘密データサイエンティスト養成勉強会 こんな僕がデータサイエンティストになれた秘密
データサイエンティスト養成勉強会 こんな僕がデータサイエンティストになれた秘密
 
実世界に埋め込まれる深層学習
実世界に埋め込まれる深層学習 実世界に埋め込まれる深層学習
実世界に埋め込まれる深層学習
 
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォームAutoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V k-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V k-1データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V k-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V k-1
 
OpenData_DataCurator_20140927
OpenData_DataCurator_20140927OpenData_DataCurator_20140927
OpenData_DataCurator_20140927
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで Vm 1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで Vm 1データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで Vm 1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで Vm 1
 
おしゃスタ@リクルート
おしゃスタ@リクルートおしゃスタ@リクルート
おしゃスタ@リクルート
 
Cloud Impact on Business in Japan
Cloud Impact on Business in JapanCloud Impact on Business in Japan
Cloud Impact on Business in Japan
 
121101 ブームリサーチ ご案内資料
121101 ブームリサーチ ご案内資料121101 ブームリサーチ ご案内資料
121101 ブームリサーチ ご案内資料
 
データ分析というお仕事のこれまでとこれから(HCMPL2014)
データ分析というお仕事のこれまでとこれから(HCMPL2014)データ分析というお仕事のこれまでとこれから(HCMPL2014)
データ分析というお仕事のこれまでとこれから(HCMPL2014)
 
20150329 tokyo r47
20150329 tokyo r4720150329 tokyo r47
20150329 tokyo r47
 
データサイエンス概論第一=8 パターン認識と深層学習
データサイエンス概論第一=8 パターン認識と深層学習データサイエンス概論第一=8 パターン認識と深層学習
データサイエンス概論第一=8 パターン認識と深層学習
 

More from Takashi J OZAKI

直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する
直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する
直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する
Takashi J OZAKI
 
Taste of Wine vs. Data Science
Taste of Wine vs. Data ScienceTaste of Wine vs. Data Science
Taste of Wine vs. Data Science
Takashi J OZAKI
 
Granger因果による 時系列データの因果推定(因果フェス2015)
Granger因果による時系列データの因果推定(因果フェス2015)Granger因果による時系列データの因果推定(因果フェス2015)
Granger因果による 時系列データの因果推定(因果フェス2015)
Takashi J OZAKI
 
Tech Lab Paak講演会 20150601
Tech Lab Paak講演会 20150601Tech Lab Paak講演会 20150601
Tech Lab Paak講演会 20150601
Takashi J OZAKI
 
なぜ統計学がビジネスの 意思決定において大事なのか?
なぜ統計学がビジネスの 意思決定において大事なのか?なぜ統計学がビジネスの 意思決定において大事なのか?
なぜ統計学がビジネスの 意思決定において大事なのか?
Takashi J OZAKI
 
Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014
Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014
Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014
Takashi J OZAKI
 
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
Takashi J OZAKI
 
Jc 20141003 tjo
Jc 20141003 tjoJc 20141003 tjo
Jc 20141003 tjo
Takashi J OZAKI
 
Visualization of Supervised Learning with {arules} + {arulesViz}
Visualization of Supervised Learning with {arules} + {arulesViz}Visualization of Supervised Learning with {arules} + {arulesViz}
Visualization of Supervised Learning with {arules} + {arulesViz}
Takashi J OZAKI
 
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Takashi J OZAKI
 
ビジネスの現場のデータ分析における理想と現実
ビジネスの現場のデータ分析における理想と現実ビジネスの現場のデータ分析における理想と現実
ビジネスの現場のデータ分析における理想と現実
Takashi J OZAKI
 
計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining
計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining
計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining
Takashi J OZAKI
 
Rで計量時系列分析~CRANパッケージ総ざらい~
Rで計量時系列分析~CRANパッケージ総ざらい~ Rで計量時系列分析~CRANパッケージ総ざらい~
Rで計量時系列分析~CRANパッケージ総ざらい~
Takashi J OZAKI
 
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る
Takashi J OZAKI
 
Simple perceptron by TJO
Simple perceptron by TJOSimple perceptron by TJO
Simple perceptron by TJO
Takashi J OZAKI
 

More from Takashi J OZAKI (15)

直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する
直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する
直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する
 
Taste of Wine vs. Data Science
Taste of Wine vs. Data ScienceTaste of Wine vs. Data Science
Taste of Wine vs. Data Science
 
Granger因果による 時系列データの因果推定(因果フェス2015)
Granger因果による時系列データの因果推定(因果フェス2015)Granger因果による時系列データの因果推定(因果フェス2015)
Granger因果による 時系列データの因果推定(因果フェス2015)
 
Tech Lab Paak講演会 20150601
Tech Lab Paak講演会 20150601Tech Lab Paak講演会 20150601
Tech Lab Paak講演会 20150601
 
なぜ統計学がビジネスの 意思決定において大事なのか?
なぜ統計学がビジネスの 意思決定において大事なのか?なぜ統計学がビジネスの 意思決定において大事なのか?
なぜ統計学がビジネスの 意思決定において大事なのか?
 
Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014
Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014
Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014
 
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
 
Jc 20141003 tjo
Jc 20141003 tjoJc 20141003 tjo
Jc 20141003 tjo
 
Visualization of Supervised Learning with {arules} + {arulesViz}
Visualization of Supervised Learning with {arules} + {arulesViz}Visualization of Supervised Learning with {arules} + {arulesViz}
Visualization of Supervised Learning with {arules} + {arulesViz}
 
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
 
ビジネスの現場のデータ分析における理想と現実
ビジネスの現場のデータ分析における理想と現実ビジネスの現場のデータ分析における理想と現実
ビジネスの現場のデータ分析における理想と現実
 
計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining
計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining
計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining
 
Rで計量時系列分析~CRANパッケージ総ざらい~
Rで計量時系列分析~CRANパッケージ総ざらい~ Rで計量時系列分析~CRANパッケージ総ざらい~
Rで計量時系列分析~CRANパッケージ総ざらい~
 
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る
 
Simple perceptron by TJO
Simple perceptron by TJOSimple perceptron by TJO
Simple perceptron by TJO
 

Recently uploaded

Kyndryl Developer Services のご紹介 2024年7月
Kyndryl Developer Services のご紹介  2024年7月Kyndryl Developer Services のご紹介  2024年7月
Kyndryl Developer Services のご紹介 2024年7月
Takayuki Nakayama
 
「福利厚生をコストから投資へ」AIで社員1人ひとりに最適な支援を届ける 全く新しいカフェテリアプラン
「福利厚生をコストから投資へ」AIで社員1人ひとりに最適な支援を届ける 全く新しいカフェテリアプラン「福利厚生をコストから投資へ」AIで社員1人ひとりに最適な支援を届ける 全く新しいカフェテリアプラン
「福利厚生をコストから投資へ」AIで社員1人ひとりに最適な支援を届ける 全く新しいカフェテリアプラン
shogotaguchi
 
MySQLの文字コードと照合順序について 2024/07/05の勉強会で発表されたものです。
MySQLの文字コードと照合順序について 2024/07/05の勉強会で発表されたものです。MySQLの文字コードと照合順序について 2024/07/05の勉強会で発表されたものです。
MySQLの文字コードと照合順序について 2024/07/05の勉強会で発表されたものです。
iPride Co., Ltd.
 
第61回CV勉強会「CVPR2024読み会」(前編)発表資料:State Space Models for Event Cameras
第61回CV勉強会「CVPR2024読み会」(前編)発表資料:State Space Models for Event Cameras第61回CV勉強会「CVPR2024読み会」(前編)発表資料:State Space Models for Event Cameras
第61回CV勉強会「CVPR2024読み会」(前編)発表資料:State Space Models for Event Cameras
Takuya Minagawa
 
Matsuo-Iwasawa Lab. Research unit Introduction
Matsuo-Iwasawa Lab. Research unit IntroductionMatsuo-Iwasawa Lab. Research unit Introduction
Matsuo-Iwasawa Lab. Research unit Introduction
Matsuo Lab
 
Imitation learning for robotics 勉強会資料(20240701)
Imitation learning for robotics 勉強会資料(20240701)Imitation learning for robotics 勉強会資料(20240701)
Imitation learning for robotics 勉強会資料(20240701)
Natsutani Minoru
 
MOSHI: 革新的な音声AI QAIが開発した次世代のコミュニケーションツール
MOSHI: 革新的な音声AI QAIが開発した次世代のコミュニケーションツールMOSHI: 革新的な音声AI QAIが開発した次世代のコミュニケーションツール
MOSHI: 革新的な音声AI QAIが開発した次世代のコミュニケーションツール
TsuyoshiSaito7
 
「スマートエスイー」におけるスマートシステム&サービスおよびDX推進人材の産学連携育成ならびに参照モデルに基づく育成プログラム分析
「スマートエスイー」におけるスマートシステム&サービスおよびDX推進人材の産学連携育成ならびに参照モデルに基づく育成プログラム分析「スマートエスイー」におけるスマートシステム&サービスおよびDX推進人材の産学連携育成ならびに参照モデルに基づく育成プログラム分析
「スマートエスイー」におけるスマートシステム&サービスおよびDX推進人材の産学連携育成ならびに参照モデルに基づく育成プログラム分析
Hironori Washizaki
 
Matsuo-Iwasawa Lab. | Research unit Introduction
Matsuo-Iwasawa Lab. | Research unit IntroductionMatsuo-Iwasawa Lab. | Research unit Introduction
Matsuo-Iwasawa Lab. | Research unit Introduction
Matsuo Lab
 
論文紹介:Task-aligned Part-aware Panoptic Segmentation through Joint Object-Part ...
論文紹介:Task-aligned Part-aware Panoptic Segmentation through Joint Object-Part ...論文紹介:Task-aligned Part-aware Panoptic Segmentation through Joint Object-Part ...
論文紹介:Task-aligned Part-aware Panoptic Segmentation through Joint Object-Part ...
Toru Tamaki
 
"ros2rapper", Hardware implimentation of ROS2 communication Protocol without ...
"ros2rapper", Hardware implimentation of ROS2 communication Protocol without ..."ros2rapper", Hardware implimentation of ROS2 communication Protocol without ...
"ros2rapper", Hardware implimentation of ROS2 communication Protocol without ...
たけおか しょうぞう
 
【AI論文解説】LLMの事前学習をvisionに適用する手法Autoregressive Image Models
【AI論文解説】LLMの事前学習をvisionに適用する手法Autoregressive Image Models【AI論文解説】LLMの事前学習をvisionに適用する手法Autoregressive Image Models
【AI論文解説】LLMの事前学習をvisionに適用する手法Autoregressive Image Models
Sony - Neural Network Libraries
 
【GPT4-o越えのリアルタイム会話AI】kyutai labsのMoshiデモ動画を解説
【GPT4-o越えのリアルタイム会話AI】kyutai labsのMoshiデモ動画を解説【GPT4-o越えのリアルタイム会話AI】kyutai labsのMoshiデモ動画を解説
【GPT4-o越えのリアルタイム会話AI】kyutai labsのMoshiデモ動画を解説
TsuyoshiSaito7
 
Matsuo-Iwasawa lab. Research Unit Introduction
Matsuo-Iwasawa lab. Research Unit IntroductionMatsuo-Iwasawa lab. Research Unit Introduction
Matsuo-Iwasawa lab. Research Unit Introduction
Matsuo Lab
 

Recently uploaded (14)

Kyndryl Developer Services のご紹介 2024年7月
Kyndryl Developer Services のご紹介  2024年7月Kyndryl Developer Services のご紹介  2024年7月
Kyndryl Developer Services のご紹介 2024年7月
 
「福利厚生をコストから投資へ」AIで社員1人ひとりに最適な支援を届ける 全く新しいカフェテリアプラン
「福利厚生をコストから投資へ」AIで社員1人ひとりに最適な支援を届ける 全く新しいカフェテリアプラン「福利厚生をコストから投資へ」AIで社員1人ひとりに最適な支援を届ける 全く新しいカフェテリアプラン
「福利厚生をコストから投資へ」AIで社員1人ひとりに最適な支援を届ける 全く新しいカフェテリアプラン
 
MySQLの文字コードと照合順序について 2024/07/05の勉強会で発表されたものです。
MySQLの文字コードと照合順序について 2024/07/05の勉強会で発表されたものです。MySQLの文字コードと照合順序について 2024/07/05の勉強会で発表されたものです。
MySQLの文字コードと照合順序について 2024/07/05の勉強会で発表されたものです。
 
第61回CV勉強会「CVPR2024読み会」(前編)発表資料:State Space Models for Event Cameras
第61回CV勉強会「CVPR2024読み会」(前編)発表資料:State Space Models for Event Cameras第61回CV勉強会「CVPR2024読み会」(前編)発表資料:State Space Models for Event Cameras
第61回CV勉強会「CVPR2024読み会」(前編)発表資料:State Space Models for Event Cameras
 
Matsuo-Iwasawa Lab. Research unit Introduction
Matsuo-Iwasawa Lab. Research unit IntroductionMatsuo-Iwasawa Lab. Research unit Introduction
Matsuo-Iwasawa Lab. Research unit Introduction
 
Imitation learning for robotics 勉強会資料(20240701)
Imitation learning for robotics 勉強会資料(20240701)Imitation learning for robotics 勉強会資料(20240701)
Imitation learning for robotics 勉強会資料(20240701)
 
MOSHI: 革新的な音声AI QAIが開発した次世代のコミュニケーションツール
MOSHI: 革新的な音声AI QAIが開発した次世代のコミュニケーションツールMOSHI: 革新的な音声AI QAIが開発した次世代のコミュニケーションツール
MOSHI: 革新的な音声AI QAIが開発した次世代のコミュニケーションツール
 
「スマートエスイー」におけるスマートシステム&サービスおよびDX推進人材の産学連携育成ならびに参照モデルに基づく育成プログラム分析
「スマートエスイー」におけるスマートシステム&サービスおよびDX推進人材の産学連携育成ならびに参照モデルに基づく育成プログラム分析「スマートエスイー」におけるスマートシステム&サービスおよびDX推進人材の産学連携育成ならびに参照モデルに基づく育成プログラム分析
「スマートエスイー」におけるスマートシステム&サービスおよびDX推進人材の産学連携育成ならびに参照モデルに基づく育成プログラム分析
 
Matsuo-Iwasawa Lab. | Research unit Introduction
Matsuo-Iwasawa Lab. | Research unit IntroductionMatsuo-Iwasawa Lab. | Research unit Introduction
Matsuo-Iwasawa Lab. | Research unit Introduction
 
論文紹介:Task-aligned Part-aware Panoptic Segmentation through Joint Object-Part ...
論文紹介:Task-aligned Part-aware Panoptic Segmentation through Joint Object-Part ...論文紹介:Task-aligned Part-aware Panoptic Segmentation through Joint Object-Part ...
論文紹介:Task-aligned Part-aware Panoptic Segmentation through Joint Object-Part ...
 
"ros2rapper", Hardware implimentation of ROS2 communication Protocol without ...
"ros2rapper", Hardware implimentation of ROS2 communication Protocol without ..."ros2rapper", Hardware implimentation of ROS2 communication Protocol without ...
"ros2rapper", Hardware implimentation of ROS2 communication Protocol without ...
 
【AI論文解説】LLMの事前学習をvisionに適用する手法Autoregressive Image Models
【AI論文解説】LLMの事前学習をvisionに適用する手法Autoregressive Image Models【AI論文解説】LLMの事前学習をvisionに適用する手法Autoregressive Image Models
【AI論文解説】LLMの事前学習をvisionに適用する手法Autoregressive Image Models
 
【GPT4-o越えのリアルタイム会話AI】kyutai labsのMoshiデモ動画を解説
【GPT4-o越えのリアルタイム会話AI】kyutai labsのMoshiデモ動画を解説【GPT4-o越えのリアルタイム会話AI】kyutai labsのMoshiデモ動画を解説
【GPT4-o越えのリアルタイム会話AI】kyutai labsのMoshiデモ動画を解説
 
Matsuo-Iwasawa lab. Research Unit Introduction
Matsuo-Iwasawa lab. Research Unit IntroductionMatsuo-Iwasawa lab. Research Unit Introduction
Matsuo-Iwasawa lab. Research Unit Introduction
 

「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る