LLMのおかげでPythonさえ触れれば誰でもそこそこのベイズモデルを作って動かせるようになりました。なので、今後はこのあたりの実践的な知見がキモになってくると思います。

単回帰からやり直しすっか…

This person wins a Kaggle competition with 1 submission and lives in beautiful Kyoto. I am jealous.

マリオ涙目ww

最近、なんかガジェット欲が高まってる…。統計検定終わったら自分へのご褒美にウルトラワイドモニターか、分割キーボード買いたい…！

なんとなく、数学で暗記に頼ると理解から逃げた気になってしまう…。

何がスゴイって、1サブなんだよね、これ。

マハラノビス距離って相関を加味した距離という説明が多いけど、多変量正規分布をいろいろ弄った経験があると、むしろ「相関がなくなるように変換した後のユークリッド距離」の方がしっくりくるんだよなぁ。

これをきっかけに、サンプル数とかN数とか言ってたのを「サンプルサイズだよ」と訂正してやる運動を会社で始めてみるかw

社内で「画像判定できるようにすべきだ！」と皆が思ってる課題、なーんか、雲行き怪しいんだよね…。人が見たら違いが一目瞭然なものに機械判定させる意味が果たしてあるのか…？自動化するメリットもあんまりないし…。 何が問題か？から立ち戻って考え直すべきかな。

なんか、機械的に計算し始めてしまって間違えることがあるな…。ちゃんと定義通りに計算することも覚えねば…。

ChatGPTが書いたコードに深刻な間違いをいくつか見つけた…。直すのめんどいなぁ、ChatGPTにやらせるかぁw

たとえば物理学の場の量子論には、数学者が見ると卒倒しそうな無限大発散する積分の羅列が出てきます。発散しているその積分を正則化（有限化）し、変数変換や計算をした後で、改めて極限をとるなどを、物理学者は平気でします。しかしこのような計算により、驚異的な精度で実験結果を説明することがで

システム部 「リアルタイムで製造データが見れるんです！」 経営陣 「おおっ！！」 製造現場 「入力はリアルタイムじゃないけどね」 システム部 「…あえ？」 製造現場 「いちいち入力してらんないの。まとめて入れるの。」

完全に勉強不足なんですが、データサイエンティストとMLエンジニアは必要なスキルや適正はかなり違うんですかね？

数理最適化も勉強してみようかなぁ。

最尤推定量の不変性をはじめ、変換した推定量の諸性質もまとめとくか。

そういえば、キャリアプランなんて考えたことないな、考えないとまずいな…、と思っていたところに、「キャリアプラン考えるのは会社の奴隷」みたいなポストみかけたw