Meisyo+でアンケートを行っています。
そのご意見をいただいた中で、より使いやすい成績利用のために成績区分を作成しました。
どんな感じになったの？
試合と特訓で成績を分けるようにしました。データ管理もその区分で行えます。
指標予測は試合結果に対して行われますのでご注意ください。
少しでも使いやすく、熱中して楽しめるように変更していきたいと思います。ご意見をお待ちしております！
投稿者: rei
[Meisyo+] リアルな試合処理への変更
Meisyo+でアンケートを行っています。
そのご意見をいただいた中で、よりリアルな試合進行にするために試合処理を変更しました。
どんな感じになったの？
得点が決勝点になりえる時（例：10回裏同点、1アウト満塁）に、ゴロだったら無理にでもホームに投げますよね？それを実装しました。
* 9回以降同点時でのみ起こります。
この表示は、ホームがアウトの時でもヒットの時でも、結果が出るまでは全く同じです。以前は、諦めたようなプレイ（一塁アウトになるがサヨナラになる）をしていました。おかしさを感じた方も多いかと思います。
少しでもリアルに、熱中して楽しめるように変更していきたいと思います。ご意見をお待ちしております！
【教材紹介】統計的因果探索
ビジネスの因果構造をデータから理解することができれば、マーケティングやセールスで何を試みれば売上や利益が上がるのかがわかります。データから因果構造を推定できる、統計的因果探索の1手法LiNGAMの書籍を紹介します。
名称
著者
清水昌平
概要
統計的因果推論の1つ、統計的因果探索は因果効果が未知の場合を分析の対象にしており、因果構造がわかっていないデータに適用されます。そのため、色々な困難な問題があり、多くの前提を置いて分析を試みます。その1手法であるLiNGAM（Linear non-Gaussian acyclic model）のアルゴリズムを学ぶことができます。
必要知識
得られるスキル
構造方程式, 反事実, 構造的因果モデル, ランダム化実験
LiNGAM, アルゴリズム, 独立成分分析, ICA-LiNGAM, 回帰分析, Direct-LiNGAM
アルゴリズム解説ページ
本書と一緒に読むことで理解が捗ります。
統計的因果探索LiNGAM 手法解説
その他の教材紹介ページはこちら → Skill Stacks
Skill Stacksの作成にあたって
Skill Stacksを書いている理由は、本をはじめとした教材の紹介サイトを作ろうと思っており、それが実際に求められていそうかを確認するためのテストマーケティング的な位置づけです。
「なぜ必要か？」のストーリーとしては、下記のようなことを想像しています。
新年が始まって、何か勉強したいな・・・そう思っている方も多いかと思います。
そこで、最近国が主導するようになったデータサイエンスはどうかなと・・・想像してみてください。
その時、あなたは気づくと思います。
データサイエンスの講座や本、新しく出てくるモノが多すぎて何を学べばいいのかわからない状態ではないでしょうか？
何が学べて、何が学べないのか。
そもそも自分に何が足りないのか。
この本を学ぶための前提知識には何が必要なのか。
結局、読んでみないと全然わからんという問題にぶちあたります。
なぜそうなるかというと、以下の文はよく考えてみると当たり前ですが、
誰しもが自分のスキルを定量化できておらず、自分に最適な教材を選べていない。結果的に大量の時間と少しのお金を無駄にしているのではないか？という仮説に対応した解を用意できれば、大きな価値を生むのではないかということです。
私は、学ぶ時間はコストと位置付けています。
内容が分からないからこそ学ぶのですが、なりたい姿（目標）があって、現在地点（現状）から最短ルートで学ぶにはどうしたら良いのかに対して、現状のほとんどのサービスはスキルの可視化すらできない状態です。
そこに、内容が分かっている有識者の知恵があればどれだけ時間を削減できるのでしょうか？
さらに、スカスカで中身がない教材で、大切なお金や時間、つまり命を知らない間に削られていることに気付かない人も居るでしょう。
そういった無駄はこの世の中にまだまだ存在します。
つまり巨人の肩に立つことで、学びたい人をより加速させるサービスができるのではないかなと。
体系だっていない知識を自動的にまとめて、誰のスキルも可視化できるようにします。
そして、何を学べば目標まで最短距離で到達することができるのかわかるようにします。
その学習記録を見てその人が持つスキルを自動的に明確化し、欲しいスキルを持った人の採用のから育成～高度人材化を助けます。
取り組みを開始してみます～（＾＾
【教材紹介】効果検証入門
広告やマーケティング施策のビジネスインパクトの測定はだいたい間違っています。
それを正しく測定するための因果推論に関して、日本語ベースのわかりやすい1冊を紹介します。
名称
著者
安井翔太
概要
現実世界での比較は本来はとても難しいです。
比較が正しくできていないために、正しい因果関係を把握できておらず、間違った意思決定が行われることがままあります。本書では、そういった間違いを正しながら、ビジネスの現場で使える5つの因果推論手法を学ぶことができます。
必要知識
基礎的な数学の知識（回帰分析が解けるレベル）
得られるスキル
R, セレクションバイアス, ランダム化比較試験, 回帰分析（介入効果測定）, 傾向スコア法, 差分の差分法, 回帰不連続デザイン
その他の教材紹介ページはこちら → Skill Stacks
【教材紹介】入門統計的因果推論
因果を推定することはビジネスにとってもインパクトがあります。
今回は、UCLAで教えられている因果推論の講義をまとめた、因果推論を使うための前知識として非常に重要な1冊を紹介します。
名称
著者
Judea Pearl, Madelyn Glymour, Nicholas P. Jewell
概要
UCLA（カリフォルニア大学ロサンゼルス校）大学院、因果推論の講義をまとめた本書。
統計的因果推論の応用（傾向スコア、差分の差分法等）の理解に必要なグラフィカルモデルや介入・媒介等用語の基礎知識を得ることができます。その他の書籍では当たり前に使われている、本当はよく分かっていないかもしれない統計学・社会学の知識が明記されているため、学び直しには最適です。
必要知識
数式に驚かない心（内容はよく読めば簡単なことをしている）
難解な文書の読解力（数式の説明（Why?）が読み解けない可能性あり）
得られるスキル
確率と統計の基礎, グラフ, 因果構造モデル, d分離性
介入, 調整, 媒介, バックドア基準, フロントドア基準, IPW, 反事実
その他の教材紹介ページはこちら → Skill Stacks
[Meisyo+] ゲームコンセプトについて
![[Meisyo+] ゲームコンセプトについて](https://webmaking.rei-farms.jp/wp-content/uploads/2018/08/logo-1.png){kind=logo}
監督視点の野球ゲームMeisyo+のコンセプトを名将と呼ばれた者達+ ゲームコンセプトにまとめました。
なぜこのコンセプトを書いたかというと、理由は3点あります。
ゲームをはじめサービスは、どのような人に対し、何を提供したいのかあらかじめ明確化しておきたいです。そうでなければ、何ができればリリースできるかわかりません。
続いて、サービスは世に出してからが本番です。いくら完成度を高めても、世に出さなければ意味がありません。稚拙であれ出したものは、自分が何をしたかったのか明確にしておくことで、次のサービスにつながります。
最後に、サービスに完成はありません。そのため、何が必要で何が必要でないかなど、継続的な改善のための指針を明確にしておきたいのです。つまり、サービスの立ち位置をしっかりしておきたいのです。
そのような理由から、今回コンセプトを明確化しました。
以上、よろしくお願いいたします。
【教材紹介】深層学習 2020年度春学期 · ニューヨーク大学データ・サイエンス・センター
米国大学のコンピューターサイエンスの講義を無料で、かつ日本語で公開されている教材がありましたので共有いたします。
名称
深層学習 DS-GA 1008 · 2020年度春学期 · ニューヨーク大学データ・サイエンス・センター
主催
ニュー欲大学データ・サイエンス・センター
Yann LeCun & Alfredo Canziani
概要
深層学習の最新技術（基礎・応用）について無料で学ぶことができる。
応用技術のベースとして、教師あり・教師なし深層学習、ベクトル埋め込みや距離学習の方法、画像認識で重要な畳み込みニューラルネットワーク（CNN）、時系列処理で重要な再帰型ニューラルネットワーク（RNN）、近年の自然言語処理の躍進を支えてきたAttentionなどを学ぶ。応用技術として、画像認識、BERTをはじめとした自然言語処理、グラフ構造ネットワークを予測するGCNなどを、理論だけではなくPythonのコードも記載されているため、動かしながら学ぶことができる。
必要知識
基礎的な機械学習及び数学の知識
・機械学習の流れが分かっていればOK
目的設定 → データ準備 → モデル設定 → 学習 → 検証
・大学教養課程の線形代数や微分
特に偏微分がふんだんに使われる
得られるスキル
深層学習, CNN, RNN, GCN, EBM, Attention, BERT, Auto Encoder
その他の教材紹介ページはこちら → Skill Stacks
【教材紹介】Python機械学習プログラミング（第3版）* 文量多め
今回の書籍は内容理解する難易度が高めですが、機械学習の基礎（用語・位置付け・アルゴリズム）が網羅できる、Pythonでの機械学習を学ぶためのおすすめ教材を紹介します。
正式名（ISBNコード）
[第3版]Python機械学習プログラミング 達人データサイエンティストによる理論と実践（ISBN978-4-295-01007-4）
内容量
648ページ
評価
総合評価
データサイエンティストになりたい方向けです。教材としては、機械学習の初歩からすべてを網羅的に説明している本です。網羅的であるため、内容量が圧倒的に多くなっています。プログラミングをしてみるだけではなくアルゴリズムの説明があるため、理解難易度は高くなりがちです。
注意したいことは、次の方は本書全てを読むことはおすすめしません。たとえば、専門分野や自分の仕事が確定していて、データサイエンスをビジネス活用したい人。
ただ、数学的な理論は読み飛ばすのであれば、ビジネス活用するための全般的な前提知識を得ることに適しているかと思います。つまり、コンサル会社や自社内のデータサイエンティストに仕事を委託するものの、中身はある程度分かっていたい方にもおすすめです。
評価：初学者
★☆☆☆☆
はっきり言って数学的な前提知識が多く、データサイエンティストになりたい人以外は難解な内容です。
評価：中級者
★★★★★
数学の基礎知識がある方には本書をお勧めします。その他の方では、機械学習に全体的に触れたあと、現場の知識をベースに理論で理解したい人におすすめです。
理解難易度
★★★☆☆
アルゴリズムの理解には行列、偏微分などの数学（線形代数）の知識が必要です。
必要知識
線形代数
行列（用語や基礎的な内容のみ）
偏微分
共分散
獲得可能スキル
技術
内容および獲得可能スキル
1.「データから学習する能力」をコンピューターに与える
基礎, 教師あり学習, 教師なし学習, 強化学習
基礎, 教師あり学習, 回帰, 分類
基礎, 分類, 二値分類, 多クラス分類
基礎, 回帰, 線形回帰
基礎, 強化学習
基礎, 教師なし学習, クラスタリング, 次元削減
2.分類問題－単純な機械学習アルゴリズムの訓練
人工ニューロン, パーセプトロン, アルゴリズム, 学習規則
線形代数, ドット積, 行列, 行列の転置, ベクトルの角度
Python, オブジェクト指向, Numpy, pandas, matplotlib
Irisデータセット
ADALINE, 勾配降下法, 偏微分, 標準化, バッチ勾配降下法, 確率的勾配降下法, オンライン学習
3.分類問題－機械学習ライブラリscikit-learnの活用
Python, scikit-learn, パーセプトロン, 正解率, 過学習, 決定領域
ロジスティック回帰, アルゴリズム, シグモイド関数, 尤度, 勾配上昇法
過学習, 正則化, バリアンス, バイアス, 共線性, L2正則化
サポートベクトルマシン, SVM, マージン, アルゴリズム, スラック変数, カーネルSVM
決定木, ランダムフォレスト
k最近傍法, 次元の呪い
4.データ前処理－よりよいトレーニングセットの構築
欠測値, CSV, pandas, DataFrame, dropna, 欠測値補完, 順序特徴量, 名義特徴量, one-hotエンコーディング,
データセット分割, 訓練データセット, テストデータセット, 標準化, 正規化, L1, L2
逐次特徴量選択アルゴリズム, 次元削減, knn, ランダムフォレスト, 特徴量の重要度
5.次元削減でデータを圧縮する
特徴量抽出, 主成分分析, 線形判別分析, カーネル主成分分析
主成分分析, アルゴリズム, 共分散,
線形判別分析, Linear Discriminant Analysis, LDA, scikit-learn
カーネル主成分分析, カーネル行列, カーネルトリック, SciPy, 射影
6.モデルの評価とハイパーパラメータのチューニングのベストプラクティス
ホールドアウト法, k分割交差検証, 復元抽出, 非復元抽出
層化k分割交差検証, バイアス, バリアンス, 学習曲線, 検証曲線
グリッドサーチ, 入れ子式の交差検証, 適合率, 再現率, F1スコア
混同行列, 真陽性, 真陰性, 偽陽性, 偽陰性, 誤分類率, 正解率
ROC曲線, 曲面下面積, 適合率－再現率曲線
マクロ平均法, マイクロ平均法, 一対全分類, クラスの不均衡
7.アンサンブル学習ー異なるモデルの組み合わせ
アンサンブル法, クラス分類, 多数決, 相対多数決
重み付け, Python, argmax, bincount
バギング, ブートストラップ標本
ブースティング, アダブースト, scikit-learn, 勾配ブースティング, XGBoost
8.機械学習の適用１－感情分析
自然言語処理, 感情分析, 極性, 書き手の意見, 意見マイニング
Bag-of-Words, BOW, TF-IDF
正規表現, トークン化, 英語, ワードステミング, NLTK, ストップワード
アウトオブコア学習, リカレントニューラルネットワーク, CountVectorizer, TfidfVectorizer, HashingVectorizer, Word2Vec
トピックモデル, Latent Dirichlet Allocation, LDA, Expectation-Maximization, EMアルゴリズム
9.機械学習の適用２－Webアプリケーション
SQLite, Flask, sqlite3, HTML, WTForms
モデル永続化, pickle
デプロイ, PythonAnywhere
10.回帰分析－連続値をとる目的変数の予測
回帰分析, 単線形回帰, 重線形回帰, 相関行列, 多項式回帰
リッジ回帰, ラッソ回帰, Elastic Net（L1+L2）
決定木回帰, 情報利得, ランダムフォレスト回帰
11.クラスタ分析－ラベルなしデータの分析
教師なし学習
k-means, k-means++
ハードクラスタリング, ソフトクラスタリング
エルボー法, シルエット分析
階層的クラスタリング, 凝集型, 分割型, 単連結法, 完全連結法
DBSCAN
12.多層人工ニューラルネットワークを一から実装
多層人工ニューラルネットワーク, バックプロパゲーション, フィードフォワード, アルゴリズム
13.ニューラルネットワークの訓練をTensorFlowで並列化する
TensorFlow, CUDA, OpenCL, テンソル
シグモイド関数, 双曲線正接関数, ソフトマックス関数, ReLU活性化関数
14.TensorFlowのメカニズム
計算グラフ, TensorFlow 1.X, TensorFlow 2.X, Keras
自動微分, 連鎖律, 損失関数
決定木ブースティング
15.画像の分類－ディープ畳み込みニューラルネットワーク
畳み込みニューラルネットワーク, CNN, サブサンプリング層, ドロップアウト
オプティマイザ, Adam
16.系列データのモデル化－リカレントニューラルネットワーク
リカレントニューラルネットワーク, T-BPTT, 系列データ, 再帰, LSTM
Transformer, Self-Attention, Multi-Head Attention
17.新しいデータの合成－敵対的生成ネットワーク
オートエンコーダー, AE, VAE, エンコーダ, デコーダ
GAN, 価値関数, バッチ正規化
全変動, KL情報量, JS情報量, EM距離, 勾配ペナルティ, DCGAN, モード崩壊
18.複雑な環境での意思決定－強化学習
強化学習, 環境, エージェント, 報酬, マルコフ決定過程, モデルフリー, モデルベース
動的計画法, モンテカルロ法, TD学習
グリッドワールド
補足
この本は文量が多すぎたため、他の教材では1分で読める文量にしています。
その他の教材紹介ページはこちら → Skill Stacks
[Meisyo+] 分析室での新選手の探索方法
データ分析で自校の選手能力を把握するため、名将と呼ばれた者達+ 分析室の使い方の一例をお伝えします。
分析室にアクセスする
予測モデル利用をクリックします。
※自分でモデルを作る場合は、データ管理を利用します。
モデルは、最新モデルを利用します。
※自分でモデルを作る場合は、モデル作成を利用します。
投手を見出す
緑枠はエースを含む先発・継投陣です。
投手の指標（ERA、WHIP）は低いほどいいので、彼らの予測値より低い選手を探してみましょう。
今回は2名、指標が非常に低く予測された選手が存在しました。
彼らの実力を確認するために、自校内で特訓（実戦投球）を行うことや、試合に出すことで先発が1枚増える、継投が一人増えるなど新たな戦術の1ピースを手に入れることができるかもしれません。
野手を見出す
緑枠はスタメンです。
野手の指標（AVE、OPS）は高いほどいいので、彼らの予測値より高い選手を探してみましょう。
ただし、守備力や走塁に関する指標は存在しないため注意が必要です。
今回は2名、指標がある程度高く、守備力も高そうな選手が発見できました。
彼らの実力を確認するために、自校内で特訓（フリー打撃、実戦打撃）を行うことや、試合に出すことでスタメンが変わる、代打の切り札が加わるなど、新たな戦術の1ピースを手に入れることができるかもしれません。
まとめ
簡単でしたが、分析室の使い方を記載しました。
不明点等ございましたら、コメントいただけると助かります。