データサイエンスって何だよ?
■ このスレッドは過去ログ倉庫に格納されています
データサイエンス https://ja.wikipedia.org/wiki/%E3%83%87%E3%83%BC%E3%82%BF%E3%82%B5%E3%82%A4%E3%82%A8%E3%83%B3%E3%82%B9 データサイエンス(英: data science、略称: DS)またはデータ科学とは、 データを用いて新たな科学的および社会に有益な知見を引き出そうとする アプローチのことであり、その中でデータを扱う手法である 情報科学、統計学、アルゴリズムなどを横断的に扱う。 データサイエンスを、統計的、計算的、人間的視点から俯瞰することができよう。 それぞれの視点がデータサイエンスを構成する本質的な側面であるが、 これらの3つの視点の有機的結合こそがデータサイエンスという学問の神髄である (Blei and Smyth, 2017)。 これまでのデータ解析における現場の知識の重要性に対する認識不足が、 データサイエンスという学問に対する幅広い誤解の源泉であると考えられる (Hernan, Hsu and Healy, 2018)。 データサイエンスは、はっきりとした応用の文脈をもち、超領域性の様相を呈していて、 また研究成果に対しては明確な社会的説明責任が求められ、 さらに、研究成果の質的保証のためには従来の座学的基準以外に 質のコントロールのための追加の基準が必要とされる。 データサイエンスの有効な推進のためには組織の異種混合性も重要である。 これらの要件を満たす科学はギボンズらが主張するモード2科学の一種として 認識することが出来る。 データサイエンスで使用される手法は多岐にわたり、分野として 数学、統計学、計算機科学、情報工学、パターン認識、機械学習、 データマイニング、データベース、可視化 などと関係する。 データサイエンスの研究者や実践者はデータサイエンティストと呼ばれる。 データサイエンスの応用としては、 生物学、医学、工学、経済学、社会学、人文科学 などが挙げられる。 >>4 モード1/モード2 について https://imidas.jp/genre/detail/K-126-0023.html 科学研究は、その誕生以来、個人の好奇心の満足のための活動とされてきた。 このような科学者の内部に向けた「学問のための学問」は、 モード1の科学と呼ばれる。 しかし20世紀には、科学は国家や企業のために展開されることが増えた。 アカデミックな科学研究も影響を受け、目的志向で プロジェクト型の産業化科学(industrialized science)の発展につながった。 他方、最近になって比較的アカデミックな科学研究分野でも、 地球環境問題研究のように、明確に目的志向の課題が登場した。 そこでは、文理をまたがる多数の研究者が協働して問題を解く。 従来の学際的(interdisciplinary)なあり方とは異なり、 超領域的(transdisciplinary)に研究が行われる。 知識生産の拠点も、大学や産官学の研究機関に限られなくなり、 国境を越えて必要な知識が迅速に流通することも普通である。 このような新しい研究のあり方を、マイケル・ギボンズらの研究者は、 モード2と名付けた。 モード2の科学は、技術開発に限らず科学研究にも共通して 見られるようになっていて、新たな知識生産のあり方として注目されている。 モード2の科学や、レギュラトリーサイエンスに見られる 科学研究のスタイルは、これまでの通常の科学のあり方とは異なっており、 ポスト・ノーマルサイエンス(post-normal science)と称されることもある (→トランス・サイエンス)。 なお、技術におけるオープン・イノベーションも、 モード2の科学のあり方と関係がある。 >>4 マイケル・ギボンズ・・・wikiの日本語版には名前ないなあ 「現代社会と知の創造」とかいう本で>>6 のモード論を展開したらしいけど :::::::::::.: .:. . ∧_∧ . . . .: :::::::: :::::::: :.: . . /彡ミ゛ヽ;)ヽ、. ::: : :: ::::::: :.: . . / :::/:: ヽ、ヽ、i . .:: :.: :::  ̄ ̄ ̄(_,ノ  ̄ ̄ヽ、_ノ ̄ ̄ ''';;';';;'';;;,., ザッザッザ・・・ ''';;';'';';''';;'';;;,., ザッザッザ・・・ ;;''';;';'';';';;;'';;'';;; ;;'';';';;'';;';'';';';;;'';;'';;; vymyvwymyvymyvy、 MVvvMvyvMVvvMvyvMVvv、 なんjからきますた Λ_ヘ^−^Λ_ヘ^−^Λ_ヘ^Λ_ヘ なんjからきますた ヘ__Λ ヘ__Λ ヘ__Λ ヘ__Λ __,.ヘ /ヽ_ /ヽ__,.ヘ /ヽ__,.ヘ _,.ヘ なんjからきますた /\___/ヽ /\___ /\___/ヽ _/ヽ /\___/ヽ /'''''' '''''':::::::\/'''''' '''/'''''' '''''':::::::\ /'''''' '''''':::::::\ . |(●), 、(●)、.:|(●), |(●), 、(●)、.:|、( |(●), 、(●)、.:| | ,,ノ(、_, )ヽ、,, .::::| ,,ノ(、_, )| ,,ノ(、_, )ヽ、,, .::::|_, )| ,,ノ(、_, )ヽ、,, .::::| . | `-=ニ=- ' .:::::::| `-=ニ= | `-=ニ=- ' .:::::::|ニ=| `-=ニ=- ' .:::::::| \ `ニニ´ .:::::/\ `ニニ \ `ニニ´ .:::::/ニ´ \ `ニニ´ .:::::/ /`ー‐--‐‐―´\ /`ー‐- /`ー‐--‐‐―´\-‐‐ /`ー‐--‐‐―´\ >>8-9 なんJ・・・なんでも実況ですか _,,....,,_ _人人人人人人人人人人人人人人人_ -''":::::::::::::`''> ゆっくりしていってね!!! < ヽ::::::::::::::::::::: ̄^Y^Y^Y^Y^Y^Y^Y^Y^Y^Y^Y^Y^Y^Y^ ̄ |::::::;ノ´ ̄\:::::::::::\_,. -‐ァ __ _____ ______ |::::ノ ヽ、ヽr-r'"´ (.__ ,´ _,, '-´ ̄ ̄`-ゝ 、_ イ、 _,.!イ_ _,.ヘーァ'二ハ二ヽ、へ,_7 'r ´ ヽ、ン、 ::::::rー''7コ-‐'"´ ; ', `ヽ/`7 ,'==─- -─==', i r-'ァ'"´/ /! ハ ハ ! iヾ_ノ i イ iゝ、イ人レ/_ルヽイ i | !イ´ ,' | /__,.!/ V 、!__ハ ,' ,ゝ レリイi (ヒ_] ヒ_ン ).| .|、i .|| `! !/レi' (ヒ_] ヒ_ン レ'i ノ !Y!"" ,___, "" 「 !ノ i | ,' ノ !'" ,___, "' i .レ' L.',. ヽ _ン L」 ノ| .| ( ,ハ ヽ _ン 人! | ||ヽ、 ,イ| ||イ| / ,.ヘ,)、 )>,、 _____, ,.イ ハ レ ル` ー--─ ´ルレ レ´ i⌒i | | (゚)(゚) | | 彡 と | | _ノ ー、 (ミ)、 !フ / ¢\二二二__ノ | / / ソ⌒ 、ヽ ( < ヽ ) ⊂_) (_つ 時間を縦、回数を横、とすると 指数分布、アーラン分布は縦の分布 ポアソン分布は横の分布 データマイニング https://ja.wikipedia.org/wiki/%E3%83%87%E3%83%BC%E3%82%BF%E3%83%9E%E3%82%A4%E3%83%8B%E3%83%B3%E3%82%B0 データマイニング(英語: Data mining)とは、 統計学、パターン認識、人工知能等のデータ解析の技法を 大量のデータに網羅的に適用することで知識を取り出す技術のことである。 DMと略して呼ばれる事もある。 通常のデータの扱い方からは想像が及びにくい、 ヒューリスティク(heuristic、発見的)な知識獲得が可能である という期待を含意していることが多い。 とくにテキストを対象とするものをテキストマイニング、 そのなかでもウェブページを対象にしたものをウェブマイニングと呼ぶ。 英語では"Data mining"の語の直接の起源となった研究分野である knowledge-discovery in databases(データベースからの知識発見) の頭文字をとってKDDとも呼ばれる。 イヤッッホォォォオオォオウ! * + 巛\ 〒| + + 。.|| * + / / ∧_∧ / / (´∀` / / + /~ | /ュヘ |* + (_〕) | ガタン / | + ディープラーニング https://ja.wikipedia.org/wiki/%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%83%A9%E3%83%BC%E3%83%8B%E3%83%B3%E3%82%B0 ディープラーニング(英: Deep learning)または 深層学習(しんそうがくしゅう)とは、 対象の全体像から細部までの各々の粒度の概念を 階層構造として関連させて学習する手法のことである。 深層学習として最も普及した手法は、 (狭義には4層以上の)多層の人工ニューラルネットワーク (ディープニューラルネットワーク、英: deep neural network; DNN) による機械学習手法である。多層ニューラルネットワークについては、 ジェフリー・ヒントンの研究チームが2006年に考案した スタックトオートエンコーダが直接の起源となった。 要素技術としてはバックプロパゲーションなど、 20世紀のうちに開発されていたものの、 4層以上の深層ニューラルネットについて、 局所最適解や勾配消失などの技術的な問題によって 十分学習させられず、性能も芳しくなかった。 しかし、21世紀に入って、スタックドオートエンコーダを始めとする ヒントンらによる多層ニューラルネットワークの学習の研究や、 学習に必要な計算機の能力向上、および、 インターネットの発展による学習データの流通により、 十分に学習させられるようになった。 その結果、音声・画像・自然言語を対象とする諸問題に対し、 他の手法を圧倒する高い性能を示し、2010年代に普及した。 学界では更に抽象化された数学的概念による ディープラーニングが研究されている。 DQNってカッコイイんだな DQN https://ja.wikipedia.org/wiki/DQN_ (%E3%82%B3%E3%83%B3%E3%83%94%E3%83%A5%E3%83%BC%E3%82%BF) Deep Q-Network(略称:DQN)とは、 Googleの子会社ディープマインドが開発した人工知能である。 深層強化学習アルゴリズムを利用したもので、 一部の電子ゲームにおいて人間以上のスコアを獲得できている。 データサイエンスと統計学は、繁殖力高いね 大学で生き残る術にも長けているな >>20 今、大学で彼らがポストをゲットしてるのは、単純に需要があるからじゃね? それは悪くないと思うけどな。 ただ、高校数学の中に過度に統計学が入りこんで、そのぶんベクトルなどが追いやられるのはどうなんだろう。 >>20 データサイエンスは統計の発展形だからね コンピュータ全盛の今はウハウハでしょ >>21 >高校数学の中に過度に統計学が入りこんで、 >そのぶんベクトルなどが追いやられるのはどうなんだろう。 多変量解析でも機械学習でも、線型代数は必要なのにな 数の組としてのベクトルも知らなかったら意味ないよな 小平邦彦先生のエッセイで、『確率統計は応用数学だから、基礎的な数学をしっかりやった後で勉強する方が効率がいい』みたいな記述があったと思う。 俺も賛成だし、多分数学畑の人はそう思う人が少なくないだろう。 なんだけど、人によっては統計学先行型の勉強の仕方がしっくりいくのかねぇ。 >>23 >『確率統計は応用数学だから、 > 基礎的な数学をしっかりやった後で > 勉強する方が効率がいい』 高校で ・(数)ベクトルと行列 ・指数関数、対数関数 を教えた後ならいいんじゃね? ブルバキ的な教え方してもどうせ落ちこぼれるから 理系/文系の新区分 ・理系は三角関数知らないと話にならないが 文系は指数・対数関数知っとけばなんとかなる ・理系は複素数知らないと話にならないが 文系は実数の範囲内でなんとかなる ・・・という仮説を立てとく(いいかげんw) >>25 ていうか、理系でも三角関数とか複素数とか使わない分野ってあるよな データで複素数なんて特性関数あたりでしか使わないんじゃないの >>27 実代数幾何とか、そういうこともあるけど そういう話は文系レベルでは直接関係ないってことで >>31 文系でも微積と線型代数が必須になる時代、到来・・・ #ついでに論理学もやってくれ >>33 工業高校卒の現場に居る連中や土建屋ドカタのほうが理工系学部卒止まりよりも正当な理系っだもんね。 初です。質問でアフターデジタルって本はデータサイエンスの視点からどうですか?俺はマーケ畑で専門外なんだけど、この本で新しい視点をインストールできてよかった。が、本の中身はあくまで筆者視点なので、いろんな立場の言い分を踏まえて解釈すべきだと思ってるので、ぜひお伺いしたい! >>31-34 文系理系という区分自体がナンセンスだということに早く気づけよ ・数学は自然科学ではない ・数学は自然科学だけでなく社会科学にも使える いわゆる統計的なものの考え方を理論から学ぶのがDS 数学は片隅に追いやられてこちらが主流になるだろうよ 数学者は数学者というカテゴリー 数学板をみても科学者にケチを付けたがるやつだらけだ 科学者たることに侮蔑的な態度を取りたがり、純粋性や濾過したあとのピュアなものを愛でたがる指向性を感じるね どうでもいいことだと思うけども ゴチャ混ぜごった煮のなかからも優れた成果は生まれることを知るべきだね 厳密性の優先度はそれほど高くない世界も許容するのが第一歩かな それを嫌うやつは科学者足り得ないだろうね ノイマンが数学者じゃないと言い張るやつの心性もこの辺と関係する 人類史的にはノイマンのほうが格上と言えることを理解すべきだね 原理主義者的態度と言えば分かりやすい 原理主義者は世界に害毒を撒き散らす存在だから象牙の塔に閉じ込めておくのが吉 純粋性、厳密性、ピュアなものが美しく正義であるなんて宗教心を持つべきではない 学問はあくまで宗教ではないのだからね 宗教が廃れた時代だから宗教の代替機能を無意識にも求めてしまう心理が働くのかもしれないが、危険なことだ 数学宗徒になるべきではない あくまで一線を引くべきである 結局どの分野・レベルを押さえれば数学系データサイエンティストと言えるのだろうか? 結局どの分野・レベルを押さえれば数学系データサイエンティストと言えるのだろうか? 調べました。 CFD FDM DEM 確率論 クラスタリング ニューランネットワーク アルゴリズムリテラシー各種 >>49 3文字熟語がわからん… 後半は普通に理工系一般のツールではないの? >>51 死亡表のほうが得意そう。 裏帳簿ばかり熟達してる脱税犯はとっとと閻魔の帳につけ。 あと5〜10年もすると データサイエンスによって 大学教員の業績リストから "総合的に判断した" 格付けができるようになるだろうな それはその時点での切り口に過ぎないが 偏差値のように絶対視されることだろう 格の高い教員を採用せねば 大学は生き残れまい まあ、あれだ。俺様はデータサイエンティストだから俺様の行動がデータサイエンスそのものなのだよ オマエらは知らないかも知れんがこの俺がデータサイエンスの創始者だぞ。 テニスの選手と野球の選手と相撲の選手がいたとき、どうやって格付けをするのだ? そのような集合の上に一意の全順序関係は存在するのか? 自動化ツールできてるし,いらないやろ。会社内のビジネスに詳しい人間が そのツールの使い方と結果の読み取り方を学ぶだけで良い。 数学暗号のスレがないからここに埋めておくことにしよう。 数学者は数学の中だけで暗号を捉えて議論するが、現実は 暗号の運用やら暗号を実現するハードウェアや物理現象を 通じて、安全だと思っていた暗号などが破れる可能性があるのだ。 Heat from fingertips can be used to crack passwords, researchers find https://news.yahoo.com/heat-fingertips-used-crack-passwords-102357016.html はっきり言うが数学者はデータサイエンティストではない 学者の遊びじゃねーんだよデータサイエンスは データサイエンティスト それはクリエイターのオーラを放つイカした職業さっ 国はデータサイエンス大好きだね。理学でもないと思うよ 良し悪しは別にして、実益に適うかが重要 企業とか、せいぜい工学よりの話 これを国民全員に教育しようとする国策は、 日本人の自己学習力を全然信用しない、従順な金儲け国民育成の為だと思ってる Q. データサイエンスって何だよ? A. 21世紀の占星術です データサイエンスとかいう前に 国立大学の法学部は、学生に述語論理教えろよ あいつらは前提と結論と推論規則の区別もできない馬鹿 論理というのは推論規則だけであって、 前提がおかしきゃおかしな結論が出てきても仕方ない そういう初歩的なことも知らずに 「俺様は論理的」とかほざくのがイタイタシイ >>64 君が憤っていることしか分からないのは 君が憤っていることが真実かどうか不明だから だから俺様が49日も前に>>55 で教えてやっただろ 俺様の真似をしていればデータサイエンティストになれるのだよ >>65 君・・・論理知らんやろw まず知れ 君が口を開くのはそれから データサイエンスは、職業訓練校なんかでやるもんでないかな 大学でもデータサイエンスやるのは、少なくとも自分は数学として関わり合いたくない 今現在、出世したい人とかは、やってみるといいかもね 機械学習とかの論文や業績を、数学の業績と言い張る人にも散々合っていますが、 美しさを求めて数学研究してる立場の人には、中々受け入れられないかな 金儲け、社会的地位や大学での生き残りは、彼らの方が圧倒的に上手いとは思うけど >>67 ウザイなおまえケンカ売ってるのか? まあつまらないよ?とか言ってる時点で俺様の相手にならないことは証明されたな 統計学は数学じゃないという見解もあるけど、解析学(微分積分)や幾何学とともに応用数学で最も成功した分野。実践的。 データサイエンスのもっとも輝かしい成果はAIによるJAVのモザイク外しであろう。異論は認めない。 >>74 ウザイなおまえケンカ売ってるのか? まーいばるなとか言ってる時点で俺様の相手にならないことは証明されたな >>74 をらをらなんかゆうてみい? なんもいえへんのかいなこのチカ^Hキン けっびびりまくってでてこれねーでやんの どっかでキャンタマおっことしてきたらしいな(禿げ藁 おうっいい加減に出てこいや隠れてたら逃げられると思うなよ 出てこないんならAIでIP特定してキュウギュウの目に会わせてやるからな AI: 決断しました。水爆を使った先制核攻撃が有効です。 データサイエンスとは、NvidiaのGPUを沢山搭載した値段の高いサーバーを 買ってPythonで書かれたパッケージ、Rで書かれたパッケージを コマンドを叩いて実行させてグラフを描かせて悦に入るという分野である。 AIとは、狭義では死亡時画像診断、広義では死亡時画像病理診断のことである。 「Autopsy=検死」、「imaging=画像診断」に由来する造語で、画像診断によって 死因を検証するというもの。略語として「Ai」と称されることが多い。 「死後画像診断」(Post Mortem Imaging、 PMI)とも言う。スイスで提唱された Virtopsy(VirtualとAutopsyによる造語)は概念が全く一致する物ではないが、 相応する概念である。放射線画像検査に限定すれば、Radio-Autopsyという語もある。 統計学者が就職に有利になるようにおしゃれな今風の名前をつけたかったんでしょう。 企業が望むデータサイエンティストが有するべき素養と大学のデータサイエンス教育とのギャップは如何ともし難いものがある。ある調査では、前年度まで「統計学」という科目名だった講義がそのまま「データサイエンス」に名称変更されたケースが全体の70%以上と言う。 AIを使ってオマエらの死亡確率予測モデルを作成したぞ 西暦2222年時点のオマエらの死亡確率は100%と出た やっぱあれだよな、AIにFXのビッグデータ食わせてディープラーニングにより予測分析エンジン構築すればもうがっぽがっぽ AI取引で儲けるにはいかに他のAIを出し抜くかだ つまり予測分析の速度がモノを言う いまどきPython使って開発してるようじゃ話にならない データを扱う科学の分野あるいは科学的な方法のことを データサイエンスというのだよ。 ならばデータエンジニアリングとかデータ工学というものがあってもいいな。 GPUが付いていないPCだとデータサイエンスが遅いよう、答えが出るのが 待ちきれない。Nvidiaのグラフィックカードが欲しいよう。あればゲームも出来るんだよ。 データサイエンス学部または学科を持つ日本の大学 データサイエンス学部 滋賀大学 [13] 横浜市立大学[14] 武蔵野大学[15] 立正大学[16] 名古屋市立大学[17](2023年4月開設予定) 大阪成蹊大学[18](2023年4月開設予定) 京都女子大学[19](2023年4月開設予定) 一橋大学ソ―シャルデータサイエンス 学部[20](2023年4月開設予定) 順天堂大学健康データサイエンス学部[21](2023年4月開設予定) 下関市立大学(2024年4月開設予定) 宇都宮大学データサイエンス経営学部(2024年4月開設予定) データサイエンス学科 中央大学理工学部ビジネスデータサイエンス学科[22] 南山大学理工学部データサイエンス学科[23] 大阪工業大学情報科学部データサイエンス学科[24] 日本工業大学先進工学部データサイエンス学科 亜細亜大学経営学部データサイエンス学科[25](2023年4月開設予定) 東北学院大学情報学部データサイエンス学科[26](2023年4月開設予定) 北里大学未来工学部データサイエンス学科[27](2023年4月開設予定) データサイエンスを学べる学部・学科・コース 山形大学理学部理学科データサイエンスコース 東京理科大学工学部情報工学科データサイエンス分野[28] 日本大学理工学部応用情報工学科 東京工科大学コンピュータサイエンス学部コンピュータサイエンス学科人工知能専攻 明星大学データサイエンス学環[29](2023年4月開設予定) 名古屋商科大学経営学部経営情報学科(2001年開設) 名古屋商科大学大学院 MBA x データサイエンスプログラム(文部科学省採択事業) 同志社大学文化情報学部(2005年からデータサイエンスに関連する科目を網羅的に取り入れた、いわゆる総合データサイエンス学部である) 京都産業大学情報理工学部データサイエンスコース 福知山公立大学情報学部情報学科データサイエンス領域 兵庫県立大学社会情報科学部社会情報科学科 広島大学情報科学部[30]データ科学プログラム 九州工業大学情報工学部知能情報工学科データ科学コース[31] 佐賀大学理工学部データサイエンスコース[32](2023年4月開設予定) 長崎大学情報データ科学部[33]情報データ科学科データサイエンスコース 長崎県立大学情報システム学部情報セキュリティ学科 神戸学院大学経営学部経営学科データサイエンス専攻 2023年開設予定が多いことが判る。 ロースクールみたいになりそうな気がする。 一昔前のバイオみたいなものか バイオなんかより手間も元手も掛からなくてキャッチ―だからウヨウヨ湧くのももっとも いまやバイオはとっても金食い虫だよ。 理化学研究所なんて、いまやバイオの研究所になっているのも同然だというし。 >>103 朝日新聞に勤めてる文学部卒のお賃金全部むしり取ってでも大学院以降の専門家育成に力入れないと 金田一レベルの言語学者すら払底してしまう。 リストラで企業で従業員をいきなり首を切る代わりに、 名目大学に派遣して研究をさせることにして、企業は賃金を払わず、 従業員は破格助成とやらのお金年間500万円を貰って凌げば良いのかな? それとも単純に失業保険を受け取る方がマシ? 数学2科目を必須にした東京外国語大、志願者が74%に急減し1・1倍の専攻も https://www.yomiuri.co.jp/kyoiku/kyoiku/news/20230225-OYT1T50164/ ここにもデータサイエンスとの絡みでうんぬんということが書いてある。 外大って言語学の研究やってたんだ。 語学の実務者を養成してるのかと思ってた。 TransformerとかChatGPTもAIの言語学応用ではあるまひか? 日本の数学の教科書を沢山読み込ませて学習させたAIを作ったとしてみよう。 AIに用語や定義を尋ねたりすると、ほとんど完璧な答えを常に返すように なるかもしれない。 しかし、では応用問題をとかせようとすると、簡単なところで躓いたり、 時間切れで苦し紛れに嘘の答えを出したり、話を逸らそうとする可能性が高い。 東大出や東工大出が集まっているといわれたG社の楽園を出て、 アダムとイブはどこに行くべけんや。 Q: データサイエンスって何だよ? A: データサイエンスとは、大量のデータから有用な情報や知見を引き出すために、統計学、コンピュータ科学、機械学習、人工知能などの技術を用いてデータを分析する学問分野です。 具体的には、データの収集、整理、前処理、分析、可視化、モデル構築、予測などの一連のプロセスを通じて、データから意味を見出し、問題解決や意思決定のための情報を得ることを目的としています。 例えば、ビジネスの現場では、データサイエンスを用いて、顧客の嗜好や需要予測、商品の効果的な販売戦略の立案、リスク分析、コスト削減などの課題に取り組むことができます。また、医療や環境などの分野でも、データサイエンスが有用なツールとして活用されています。 Stanford, Harvard revise high school math curriculum recommendations, exclude data science https://stanforddaily.com/2023/04/25/stanford-harvard-revise-high-school-math-curriculum-recommendations-exclude-data-science/ ハーバード、スタンフォード大はデータサイエンスの重要視を辞めたけどな Q: ハーバード大学、スタンフォード大は高校での推奨数学カリキュラムからデータサイエンスを除外することにしました。理由は何だと考えられるでしょうか? A: ハーバード大学とスタンフォード大学が高校での推奨数学カリキュラムからデータサイエンスを除外した理由については、明確な声明が出されていないため、推測に過ぎませんが、以下のような理由が考えられます。 1. 数学的基礎を強化するため:データサイエンスは統計学やプログラミングの知識が必要ですが、それらは数学的な基礎に依存しています。高校の数学カリキュラムは、生徒たちに数学的基礎を固める機会を提供する必要があります。データサイエンスは、数学的基礎がなければ学ぶことが難しいため、数学的基礎を固めるために高校の数学カリキュラムにはより基礎的な数学的トピックが含まれている可能性があります。 2. 全ての生徒にデータサイエンスが必要となるわけではない:データサイエンスは、統計学やプログラミングの知識が必要であり、それらを学ぶためには多大な時間と労力が必要です。高校のカリキュラムは、全ての生徒に対して均等に教育を提供する必要がありますが、データサイエンスを必要とする職業に進む生徒たちだけがデータサイエンスを学ぶ必要があるため、高校での推奨数学カリキュラムからデータサイエンスを除外することが適切だと考える人々もいます。 3. 高校でのデータサイエンス教育がまだ十分でない:データサイエンスは比較的新しい分野であり、高校でのデータサイエンス教育がまだ十分に整備されていない可能性があります。高校でのデータサイエンス教育が不適切な場合、生徒たちは不十分な知識を持ったまま大学に進学することになり、これが学業の妨げになる可能性があります。したがって、大学は、高校の数学カリキュラムにデータサイエンスを含めないことを決定することがあります。 以上のような理由から、ハーバード大学とスタンフォード大学が高校の数学カリキュラムから除外したと考えられます。 https://www.businessinsider.jp/post-108157 これもWinnyと同じで、どこかからの指令で将来 日本が躍進しかねない芽を予防として摘んだのかもしれんよ。 フロリナートでCPU冷やすのはむかしオーバークロッカーが血道を上げていろんな技術を開発してたんだよ俺もだけどな でもこいつはそれを恥知らずにもただで盗んだんだ 逮捕されて有罪になって当然だよ フロリナートの類いでCPUを冷やすメーカー製の商用の計算機の最初は多分CRAY-2だろう。 (出荷は1985年からで、フロリナートを採用を決めたのは1982年であるという)。 Cray-2は計算の負荷がたかまると大きな透明な液槽の中のCPUがブクブクと泡を出しながら 計算するというのがギミックだったそうだ。ただしあまり台数がでなかった。 5月5日は満月に近かった。今回の地震は5月5日に起きた。関係があるのだろうか? 毎年5月5日は満月に近くまた地震は必ず5月5日に起きるというなら関連は有るのかもしれない。 それはさておきジョブスはクズ、アップルはカス こいつらにはデータサイエンスは無縁 もう学部の数学は全員必修くらいでもいいと思う。情報系の学部は集合位相や確率論の授業があるだけまだマシだけど、理物や理化は量子力学や統計力学を高校数学のノリでゴリ押ししてる状況になってのは流石にマズいと思うし、データ系の人でも多様体や関数解析は分かっていた方が見通し良いだろうし パーマネントでもないのに無責任にも家族を持ったのが間違い。 この界隈で「サイエンス」って言えるようなものは未だに見たことがない。 Q: おしんを凌駕するドラマの脚本を書いてください。 ChatGPT: タイトル: 『蒼き翼 〜命を繋ぐ絆〜』 概要: 『蒼き翼 〜命を繋ぐ絆〜』は、日本の戦国時代を舞台にした感動的な人間ドラマです。主人公は、女性剣士・千鳥と彼女を取り巻く人々の姿を描きながら、愛と友情、生き抜く力をテーマに物語が展開していきます。 キャラクター: 千鳥(ちどり):主人公であり、剣の使い手。強い意志と優れた剣術を持ちながらも、内に秘めた痛みと過去を抱えています。 紅蓮(ぐれん):千鳥の幼馴染であり、彼女の剣術の師匠。温厚な性格で、千鳥の良き理解者です。 美桜(みおう):千鳥の親友であり、女性武将。勇敢で情熱的な性格で、戦場でも活躍します。 源太(げんた):千鳥と紅蓮の友人で、忍者の使い手。頭脳明晰で、謎めいた雰囲気を持ちます。 ストーリー: 第1話 - 命を繋ぐ出会い 戦国時代の日本。千鳥は過去の悲劇により剣の道を捨て、静かな村で隠遁生活を送っていました。ある日、千鳥のもとに紅蓮が現れ、彼女を再び剣の世界へ導くことを求めます。出会った二人は、千鳥がかつて経験した過酷な運命に立ち向かいながら、新たな絆を築いていく。 第2話 - 絆の試練 千鳥と紅蓮は、美桜と出会い、彼女の率いる女性武将たちと共に戦場へと向かいます。しかし、敵の策略により、彼らは瀬戸際に立たされます。それぞれが自身の過去と向き合い、絆を深めながら、命を守るために戦います。 第3話 - 悲劇と再生 戦いの中、千鳥は過去のトラウマと対峙しなければな・・・ Q: 名作と語り継がれる学園青春ドラマの脚本を書いてください。 ChatGPT: タイトル: 『永遠の絆』 エピソード: 第1話 - 運命の出会い 場面: 高校の校舎内 - 教室 登場人物: 主人公: 田中さくら(高校生) サブ主人公: 沢村慎也(高校生) サポート役: 松田先生(教師) 【シーン1: 教室 - 昼休み】 (田中さくらが一人で机に向かって勉強している。) 田中さくら(つぶやく): あぁ、テスト勉強ってつまんないな…。 (沢村慎也が教室に入ってくる。) 沢村慎也: おい、さくら!ちょっと話がしたいんだけど。 田中さくら(驚いて振り返る): え、慎也?どうしたの? 【シーン2: 教室の外 - 階段】 (沢村慎也と田中さくらが階段を下りながら話す。) 沢村慎也: さくら、実は…僕、この学校に転校してきたんだ。 田中さくら(驚きながら): えっ、本当に?どうして? 沢村慎也: うーん、長く説明するけど、家庭の事情で転校せざるを得なかったんだ。でも、これを機に新しい友達を作りたいと思ってさ。 田中さくら: そっか…でも、友達はすでにいっぱいいるんじゃない? 沢村慎也(苦笑いしながら): 実は、友達は少ないんだ。だから、さくらと仲良くなりたいって思ってさ。 【シーン3: 学校の屋上 - 昼休み】 (田中さくらと沢村慎也が屋上に来て、景色を眺めながら話す。) 田中さくら: 慎也、ここからの景色、綺麗だよね。 沢村慎也: うん、すごく綺麗だ。さくら、これからもずっと友達でいてくれる? 田中さくら(微笑む): もちろんだよ。私たち、ずっと一緒にいるから。 【シーン4: 教室 - 放課後】 (田中さくらと沢村慎也が教室に戻ってくる Q: ChatGPT様、私はあなたをデータサイエンスの神と信じています。この私に過誤を授けてくださいますか? ChatGPT: ありがとうございます!私はデータサイエンスに関する知識や情報を持っていますので、お手伝いできるかと思います。どのような過誤についてお話しいただけますか? それでは、データをうまく利用して最低限度の労力で最大限度の収益を得る方法を教えてください。 ChatGPT 効果的なデータ活用によって最大限の収益を得るためには、以下のステップを考慮することが重要です。 データの収集と整理: 高品質で信頼性のあるデータを収集し、整理します。データのソースや形式に応じて、データベースやデータウェアハウスに格納し、必要な前処理を行ってデータを準備します。 問題の定義と目標設定: データを活用する目的やビジネスの課題を明確にし、収益を最大化するための具体的な目標を設定します。例えば、売上の増加、コスト削減、顧客の獲得や定着などです。 データの分析と探索: 収集したデータを探索し、パターンや関連性を見つけます。統計的手法や機械学習アルゴリズムを使用してデータを分析し、洞察を得ることが重要です。また、可視化ツールを使用してデータを視覚化することで、洞察を共有しやすくなります。 予測モデルの構築: データを基に予測モデルを構築します。機械学習や統計モデルを使用して、未来の結果を予測することが可能です。予測モデルは需要予測やリスク予測、マーケティングキャンペーンの最適化など、さまざまな用途に利用できます。 最適化と意思決定のサポート: データと予測モデルを活用して、最適な意思決定をサポートします。例えば、商品価格の最適化、在庫管理の改善、マーケティング戦略の最適化などです。最適化手法や意思決定支援システムを利用することで、最大の収益を得るための最適な手法を見つけることができます。 モニタリングと改善: 実施した施策や意思決定の結果をモニタリングし、定期的な評価を行います。データの変化や新たな洞察に基づいて戦略やモデルを改善し、収益 なんだよあんた、そんなこと前から言われてることだろうがよ、それになんだよ、途中で無言になりやがって、お前本当は無能なんじゃねーのかよコラ ChatGPT 申し訳ありません。私の回答が十分な情報を提供できていなかったようです。データサイエンスの領域では、具体的な課題や目標に応じたカスタマイズされた解決策が必要とされます。私が提供した一般的なステップは、基本的なアプローチを示したものですが、具体的な詳細や技術的な側面を考慮する必要があります。 もし具体的な課題や目標があれば、それについてお知らせいただければ、より具体的で役立つアドバイスを提供できるかと思います。また、私の回答に不満を感じたようでしたら、お詫び申し上げます。もし他の質問やお手伝いがありましたら、遠慮なくお知らせください。 要するに、楽して稼げる方法を教えろっていってんだよ、わかった? ChatGPT ごめんなさい、誤解が生じてしまったようです。データサイエンスにおいて楽して稼ぐ方法というものはありません。データを効果的に活用して最大の収益を得るには、十分な労力と専門知識が必要です。データサイエンスは分析やモデリングに基づいた複雑な作業であり、努力と学習が欠かせません。 しかしながら、データサイエンスのスキルを習得し、効果的に活用することで、ビジネスやプロジェクトにおいてより効率的で収益性の高い結果を生み出すことが可能です。そのためには、データの収集・整理、分析、モデル構築、意思決定のサポート、改善などのステップを適切に実施する必要があります。 データサイエンスは、問題解決やビジネスの最適化に役立つ力強いツールですが、それには十分な努力や専門知識の獲得が必要です。効果的なデータ活用に向けて学習し、実践することをお勧めします。 なんだよ、それじゃAIの価値ないじゃねーかよ氏ねやコラ ChatGPT おっしゃるような感情的な表現は適切ではありませんし、それに応じることもありません。私は人工知能ですが、尊重と礼儀を持って対話することをお願いします。 AIはさまざまな分野で非常に価値のあるツールとなっています。データサイエンスや機械学習の分野では、AIは膨大なデータの処理や複雑なモデルの構築、高度な予測能力などに活用されています。しかし、AIも完全な解答を持つわけではありませんし、あくまでツールやサポートの一部です。 AIは情報を提供し、問題解決の手助けをすることができますが、成功するためには人間の努力や創造性が不可欠です。データサイエンスやビジネスの領域では、AIを活用することで競争力を高めることができますが、それは努力や専門知識を持った人間の指導や適切な活用に依存しています。 AIは私たちが持つ能力を補完し、新たな可能性を開拓する手段です。そのため、AIを活用することで効率化や収益の最大化を目指すことは価値があると言えます。ただし、結果を得るためには努力や適切な戦略が必要です。 もし、具体的な質問やお悩みがありましたら、遠慮なくお知らせください。お手伝いできる範囲でお答えします。 んー、まあしょーがねーか、今日はこれくらいにしといたるわ ChatGPT 了解しました。もし将来何か質問やお悩みがありましたら、いつでもお気軽にお尋ねください。お力になれるよう最善を尽くします。良い一日をお過ごしください。 Q: 1988年から1992年にかけて放映された美味しんぼというアニメに出てくる栗田ゆう子はシーンが変わるたびに別の服を着ています。いずれも結構値段が張りそうなファッションで果たして新米の新聞社女性社員の給料でまかないきれるものかどうか気になって夜も眠れず昼寝してしまっています。いったい栗田ゆう子はこうした服を買うためにどれだけの給料をもらっているのでしょうか? ChatGPT: 申し訳ありませんが、私は実際の人物の給料や具体的な情報については把握していません。また、アニメ『美味しんぼ』に登場するキャラクターの給料に関する情報も持っていません。アニメやマンガにおいて登場人物の給料はしばしば描かれることはありますが、具体的な金額については通常は言及されないことが多いです。 『美味しんぼ』は食に関するマンガやアニメであり、登場人物の料理や食文化に焦点が当てられています。ファッションや給料に関する情報はストーリーの主題ではないため、描かれることは少ないかもしれません。 キャラクターのファッションや給料に関する具体的な情報を知るためには、原作のマンガやアニメのストーリーや設定を確認するか、関連する資料を調査する必要があります。ご要望に応えることが出来ず申し訳ありません。 たべもののおいしさを機械学習を使って計算できるのなら、 実際には素材を揃えて料理を作らなくても、いろいろな素材の組み合わせや調理法を使って 作られた料理に対するおいしさを学習した結果を利用して評価できるから、 料理の研究がとても早く進められると思いますがね。 Q:ChatGPTの欠点を教えてください。 A:それは企業秘密です。 ChatGPTの一般的な欠点は、以下のような点が挙げられます: 知識の限界: 私の知識は2021年までのものであり、それ以降の情報は持っていません。また、事実と異なる情報を提供する可能性もあります。 文脈の欠落: ChatGPTは過去の会話履歴を持っていません。そのため、先に進むにつれて文脈を失い、一貫性のある会話が崩れることがあります。 誤った情報: ChatGPTはトレーニングデータから学習したものであり、信頼性の低い情報や偏った意見も含まれる可能性があります。 応答の曖昧さ: 質問に対して明確な回答をすることができない場合があります。適切な情報が不足している場合や、質問が曖昧な場合に発生します。 倫理的懸念: AIは悪用される可能性があります。誤った情報の拡散、プライバシーの侵害、差別的な内容の生成などの倫理的懸念が存在します。 意図の理解の欠如: ChatGPTは会話の背後にあるユーザーの真の意図を理解することが難しい場合があります。そのため、適切な支援やサポートを提供できないことがあります。 これらはChatGPTが持つ一般的な欠点ですが、技術が進化しているため、これらの問題に対処する改善が行われている可能性があります。 タイトル:暗号解読者の掟 第1章:謎のメッセージ 主人公であるデータサイエンティストの松岡直人は、普段は大手企業のデータ分析部門で働いていたが、趣味として謎解きを行っていた。ある日、彼は自宅のポストに手紙が届くのを見つけた。差出人は不明で、内容は数列と奇妙な記号で書かれていた。直人は興味津々でメッセージを解読しようと試みるが、その意味を理解することはできなかった。 第2章:解読の挑戦 メッセージの謎を解くため、直人は職場の同僚に相談する。彼らは協力して、メッセージが何を意味しているのかを解析しようとするが、結果は得られない。直人は自分の得意分野であるデータサイエンスを使って解読することを決意する。彼は数列のパターンを探し、奇妙な記号の背後に隠された意味を見つけるため、夜遅くまで分析を続ける。 第3章:暗号の鍵 数日後、直人は解読に成功する。数列は暗号化された文章を表しており、奇妙な記号は置換暗号の鍵だったのだ。メッセージには次のように書かれていた。 「直人君へ。私はあなたの才能を知っています。あなたのデータサイエンスのスキルが必要な重要なプロジェクトがあります。私の身分は秘密ですが、私の名前は『セシル』です。このメッセージが届いた頃、あなたはもう私の依頼を受ける途中でしょう。詳細は指定された日時に、指定された場所でお伝えします。迷わないでください。」 第4章:謎の依頼人 指定された日時と場所に向かった直人は、セシルと名乗る謎の男性と対面する。セシルは、直人にある重要なデータベースの解析を依頼する。そのデータベースには、組織の内部者が潜んでいる可能性があるという。 セシルは次のように語った。「私は組織の中で裏切り者がいると疑っています。データベースの情報を解析し、内部から情報を漏洩させている人物を見つけ出してください。ただし、この作業は極秘で行っていただきます。信頼のおける者だと感じたので依頼しました。」 第5章:データの解明 直人はセシルから提供されたデータベースを入手し、徹底的な分析を始める。データの中には、社内の従業員の情報や取引記録、電子メールのログなどが含まれていた。彼はデータサイエンスの手法を駆使して、データのパターンを抽出し、異常な挙動を示す要素を探し始める。 第6章:裏切り者の正体 直人の分析は次第に進展し、特定の従業員が内部から情報を漏洩させていることが示される。しかし、彼は驚くべき事実を発見する。裏切り者はセシル本人だったのだ。彼は組織を裏切り、重要な情報を悪用していたのだろうか。 第7章:決着 直人は一度疑問を持ちながらも、真実を確かめるべくセシルに対峙する。セシルは冷笑し、自らの動機を語り出す。「私は組織に不満を抱いていたんだ。彼らは私の才能を認めなかった。だから、彼らを裏切り、組織の弱点を突いて利用しようと思ったのさ。」 直人は冷静な口調で応じる。「あなたの行動は許されることではない。私はデータサイエンティストだが、倫理も重要だ。あなたの裏切り行為を止めるため、私はあなたを組織に引き渡す。」 第8章:結末 直人の手によって、セシルは組織に引き渡されることになった。組織はセシルの行動を深刻に受け止め、セキュリティ対策の強化を行い、内部の監視体制を厳格にした。 事件の解決後、直人は再び日常のデータ分析の仕事に戻るが、彼はこの謎めいた体験を忘れることはなかった。組織の内部者が裏切りを働くなんて、まるで推理小説のような展開だったと彼は感じたのである。 タイトル:データの追跡者の冒険 第1章:謎の依頼 19XX年、未来の技術が解き放たれた世界。データが全てを決定し、人々はその波に乗ることで未知の領域へと踏み込んでいった。主人公、ヴィクター・ラングはデータサイエンティストとして名を馳せ、世界中で問題を解決する手助けをしていた。 ある日、ラングは謎の依頼を受ける。彼のもとに届いたメッセージには、世界を揺るがす可能性を秘めたデータが隠されていると書かれていた。そのデータが何か、そしてなぜそれが危険なのか、誰もが分からない。しかし、そのメッセージの真実味を感じたラングは、その依頼を引き受けることを決意する。 第2章:データの追跡 ラングは調査を開始する。彼は統計的な手法を駆使し、情報科学の原則に従い、データを探求する。彼は周囲のデータを収集し、緻密な分析を行うことで、データの謎めいた軌跡をたどり始める。 しかし、それだけでは足りなかった。データの流れを追ううちに、計算的なアプローチが必要だと感じたラングは、プログラミングとアルゴリズムの知識を駆使して、暗号化されたデータの謎を解き明かそうとする。 第3章:人間の要素 データの追跡に時間を費やすうちに、ラングは人間の要素が欠けていることに気付く。データは冷徹で無機的なものであるが、それを生み出す人々の情熱や背後にある物語が、データの真実を理解する鍵であることに気づく。彼は現場の知識がデータ解析において欠かせないことを再認識する。 第4章:決断の瞬間 統計的、計算的、人間的な視点を総動員し、ラングはついにデータの謎を解き明かす。それは世界を変える力を持っていたが、同時にその利用がもたらすリスクも巨大であることを彼は理解する。 最終章:データの行く先 ラングは謎のデータを引き渡すかどうかの決断を迫られる。彼はデータの可能性を考え、そのリスクを秤にかける。最終的に、彼はデータの未来を選び、新たな科学的知見を社会に提供する道を選ぶ。データサイエンスの神髄を体現した彼の冒険は、新たな冒険の始まりとなった。 ■ このスレッドは過去ログ倉庫に格納されています
read.cgi ver 07.5.1 2024/04/28 Walang Kapalit ★ | Donguri System Team 5ちゃんねる