노트

1개의 기사로 할 때까지 없는 일이나 개인적으로 메모하고 싶은 것을 1개의 기사에 끓인다.
수시로 갱신하거나 한다.

논문을 읽는 법

연구실에 배속된 학생이 먼저 배워야 할 논문을 읽는 방법 : 논문을 읽는 방법이 정리되어 있다.
읽는 방법의 단계 인용

1. 조사
2. 메모하기
3. 도해하다
4.읽는 방법을 변화시킨다

1,2는 실천하고 있다. 3은 대학 시대에 했지만 완전히 잊어버린 단계. 4개의 항목마다 읽는 방법(어디에 눈을 통할지의 판단)은 어쩐지 하고 있었지만 잊고 있던 스텝. 원생의 선배님은 착용하고 있었던 것 같고, 어디 어디를 읽으면 좋겠다고는 하지만 전절과의 접속이나 분야의 지식이 없으면 그 판단을 할 수 없도록 생각한다.

1. Abstract로 전체상을 잡는다(알았던 신경이 쓰인다)
2.Introduction으로 배경과 목적을 정리
3.Figures(시각적 이해)와 Results(텍스트 이해)는 세트로 번갈아 보면서,Methods는 사전적으로 읽는 것으로 내용을 이해해 간다
4.Discussion에서 자신의 결과의 해석의 대답을 하는 마음으로 읽는다

주의 : 완전히 모든 것을 추구하지 마십시오.
경험담 : B4 때, 수법에 대해 알아보기 위해 메인에서 읽고 있던 논문의 참고 문헌을 잡고 문헌 윤회에 삼켜진 적이 있었다.
↓
main→ref_A→refB→ref_C와 같은 상태로. 그리고 ref_A와 ref_C의 공통으로 참고에 오르고 있던 ref_D가 크리티컬한 아이디어였던 것이 몇번이고, 또한 그 ref_D가 그물에서 발견되지 않고, 도서관 심부의 서가에서 발견된다고 하는 것이 있었다. 이것으로 2개월 논문이었다

데이터 분석

비즈니스 활용 사례로 배우는 데이터 과학 입문 메모


데이터 분석
의사결정 지원
자동화 및 최적화


목적
인간 행동 결정 지원
컴퓨터의 행동 효율화

목표
커뮤니케이션 비용 절감
정밀도 향상, 계산량·계산 시간 삭감

자주 사용되는 기법
단순 집계, 교차 집계
기계 학습, 알고리즘 구축



스마트폰 게임 사용자 속성 파악(시장 분석: 세그멘테이션) -> 클러스터링
・클러스터의 기준(게임 랭킹)을 바탕으로, 헤비/미들/라이트 유저로 분할->랭킹 특징량의 작성
・k-means법을 사용하는데 있어서 상관이 높은 특징량과 0만의 특징량은 배제, 또 주성분 분석에 의해 상관을 배제.
・클러스터수는 해석성과 어떤 유저층을 상정하고 있는지에 의해 결정(대략 한 자리)
· 클러스터의 특징을 시각화 -> 레이더 차트

· 비즈니스상의 데이터 분석 흐름
1. 과제 설정(무엇이 과제인지 공유)
2.문제 발견(현황의 정리와 이상 파악, 두 개의 갭을 구체화·언어화)
3. 가설 탐색(갭의 요인을 생각해, 정확도가 높은 가설(검증해야 할 가설)을 결정한다)
4.데이터 수집(가설을 뒷받침하는 데이터가 있는지, 관계 각처로부터 히어링(사실과 데이터를 모은다))
5. 데이터 분석(가설을 뒷받침하는 데이터를 만들 수 있는가. 데이터 분석과 시각화)
6. 보고와 행동 결정

데이터 과학자 기술 세트

「일반 사단법인 데이터 사이언티스트 협회 스킬 세트 개변」
htps //w w. s에서 멋지다. 네 t/다타 S 시엔치 st_JP/2017-81179087