というわけで京都に行ってきましたー
特にお目当てもなかったんですが、京セラ美術館といくつかの寺には行きたかったので土日を利用して行ってきた次第です。
初日は四条の安井金毘羅へ。転職したのもあってか良縁を祈願しに行ってきました。
rurubu.jp
あいにくの雨だったので中はくぐらず。代わりのおみくじは大吉なので良し。
こちらは京セラのモネ展。写真許可OKの睡蓮。
kyotocity-kyocera.museum
正直心が動かなかったので、割りと早送りで見てきてしまいました。始まりも終わりもない無限の水の広がり、という言葉だけは、院生時代に数学の研究をやっていた自分には刺さるものがあったくらい。
木にある方はぜひ行ってみてくださいー
どうも、情弱データサイエンティストです。
私ごとですが、
「ブログ復活しました！！」
なかなか直らなかった理由は簡単で、「独自ドメインの設定が良くなかった」です。ご不便おかけして申し訳ありません。
さて近況はというと、
・プロジェクトにサブとして入る（分類系）
・飲み会などを通して、チームメンバーやステークホルダーの把握
・目標設定のあれこれ
・エニタイムフィットネスにジムを引っ越し
という感じ。良くある4月の感じです。G.W.はどこにも行かずに、論文読んだり英語頑張ったり、筋トレしたり、ブログ直したりで過ごしていました。その辺のインプットは少しずつ出せていけたらと思います。
いつか復活させたいと思っている当ブログ。発端は、お名前.comがおかしくなり始めたのでサーバーをXサーバーに変えたところ、ブログ収益がおかしくなりました。直したと思っていたんですが、多分まだ直っていません。その後、本格的な転職活動が始まり、間で不眠治療も行い、内定からの退職と転職準備で今に至ります。
「GWにでも直せればいいかな」くらいに思っているのですが、転職時のツラミとかブログの書き方とか忘れそうなのでメモがてら更新しております。
さて、4/1に晴れ晴れ (?)と入社しました！企業理念が強い会社なので覚えることが多いのですが、なんとか1週間を乗り切りました。皆様は新生活いかがでしょうか？せっかくなのでご自身でも気持ちを整理しておくと、見返した時に良いかもしれません。以下はメモがてらの自分の思った事です。
・お給料は結構上がったのでやる気は高い
・少し通勤時間が増えて週4日出社なのは辛い
・フレックスと言いつつ、9時にはいないといけないので朝が大変(久々にあの殺気立った電車を思い出した)
・同期の中途採用がいたのありがたかった。しかも優秀で良い人！
・外資系なので、仕事のほかに英語もやらないといけないの大変
・セキュリティ意識高くてPC持って帰れない、休日も起動できないの地味に痛い
突然ですが、あなたは運がいいですか？
なんとなくtwitterやインスタ、楽天などをダラダラ巡回してませんか？
それではダメダメ。幸福になるには、運は自ら掴みに行ってください。そんな方には鈴木祐さんの「運の方程式」が最適です。
本書は以下にして運を掴み取るのか？ということを解説していてタメになりました。そこで本記事では運を考察して運力を科学的に上げる方法を書いていきます。
最初に結論ですが、本書によれば幸運は以下の公式です。
幸運 = (行動 ✖️ 多様 + 察知) ✖️ 回復
行動とはチャレンジ回数のこと。これはホリエモンとかモーレツビジネス界隈が言いたがるいつものあれ。ただ大事なのは、起業とかの大げさな行動でなく、日常の行動を変えるだけでも運は上がるのだとか。例えば
・虫料理を食べる
・ハブ酒を飲んでみる
・ネトフリでおすすめ度が低いものを見てみる
・新しい小説を読む
などなど。
成功している起業家やスポーツ選手などは、複数の業界を経験した起業家や子供の頃に複数のスポーツ経験があった選手の方が成績が良かったのだとか。このことから行動には多様性が重要。
・よく行く店の人に挨拶する
・誰かのSNSに肯定的なコメントをする
・新しいボランティアに参加する
・同僚をランチに誘ってみる
・親しい友人に悩みを打ち明ける
などなど。
多様性ある行動を増やしても、良い偶然をキャッチできなければ元の木阿弥。察知力を上げるには質問してメタ認知を上げていく。具体的には以下のQシートが効果的。
行動を増やせば成功するが、失敗回数も増えていく。だから回復は必死。回復を考える時は次の2つを意識する。
・失敗から立ち直る力
・失敗を糧にする力
これを伸ばすには科学者的に考える。すなわち、仮説と検証。失敗は人間にとってごく自然なものだし、失敗には改善に重要な情報が詰まっている。
社会遺伝学という言葉をご存じでしょうか？
遺伝学と社会科学を融合させたこの学際的な分野では、私たちの行動や社会的特性に遺伝がどのように影響を与えるかを研究しています。最近の大規模調査によると、高校時代の友人や仲間の遺伝スコアが、薬物使用障害やうつ病などに深く関わっていることが明らかになりました。特に、学校の同級生の影響が大きいという結果が示され、私たちの遺伝子が環境によっていかに変化し得るかが注目されています。
社会遺伝学というと聞き慣れないかと思いますが、これは遺伝学と社会科学を融合させた学際的な分野です。この分野では、遺伝的要因が人間の行動や社会的特性にどのように影響を与えるかを研究しています。最近は橘玲さんの「言ってはいけない」で大分世間にも注目されました。この記事を読む上で分野に精通する必要は全くありませんが、大切なことは
DNA配列そのものは環境によって変化しないが、遺伝子の発現は変化する可能性がある
という考えです。これは、例えばうつ病に対する特定の遺伝的素因を持っているとしても、それが社会的交流によって遺伝子発現のレベルで影響を受ける可能性があることを意味します。つまり、遺伝子は運命ではなく、環境とそれがどのように発現するかによって決まるのです。
さて、当研究は1980年から1998年の間にスウェーデンで生まれた150万人以上の人から得られた結果。医療、犯罪、および薬局の登録情報を使用して、17 歳〜30歳までの
薬物使用障害、
アルコール使用障害、
重度のうつ病、
不安障害
の傾向を調査しました。さらに研究者らは、同じ障害に対する仲間とその家族の遺伝スコアまで調べて仲間の社会的遺伝的影響を深掘りしていったんですね。
この結果、
・上記で挙げた障害全体にわたって、仲間と家族の遺伝スコアの登録リスクの増加を予測した。
・特に薬物使用障害およびアルコール使用障害に対する影響は、重度のうつ病および不安障害に対する影響よりも強かった。
ということがわかりました。
興味深いのは、仲間のこれらの影響は
・地理的に近い仲間（近所）よりも学校の同級生に対して強く、
・中学校 (7～16 歳) の仲間よりも高等学校 (16～19 歳) の仲間に対して強い。
・さらにこの傾向は学歴を調整しても残った。
という結果が得られたことです。学歴調整しても残るので、親御様は心配事が増えそうな結果となっております。
これらの結果がなぜ得られたかについての理由ははっきりとはわかっていないものの、研究者は「個人のリスクを考えるだけでは不十分」と警鐘しています。
まとめ
というわけで今回は高校の友人があなたに与える影響のお話でしたー。遺伝子自体はかなり変えられないものの、環境は自分の意志で変えやすいです。お心当たりある方は参考にしてみてください。
参考
https://psychiatryonline.org/doi/10.1176/appi.ajp.20230358
サラリーマンの楽しみといえばボーナス。
これがあるおかげで我々は大型家電を買えたり、旅行に行けたりできます。これを楽しみにしている人も多いことでしょう。
しかしながら周りのサラリーマンを見れば暗い人ばかり。その原因は賃金が上がらないからでもありますが、では、果たして賃金が上がれば人はどれだけやる気になるのでしょう？
ダンさんは高額な報酬を用意するために、インドの田舎で実験をしました。被験者は生活水準の低い地元の人々を募集し、26%は正式な教育を受けておらず、テレビを持っているのは半分だけで、車を持っている人は一人もおらず、家に電話を持っているのはごく少数でした。支払い額は4ルピー、40ルピー、400ルピーの3段階だった。400ルピーはおよそ1か月分の給料です。
参加者には、支払いレベルがパフォーマンスにどのような影響を与えるかをテストする 8 つの異なるタスクが与えられました。タスクの中には、問題解決能力を必要とするもの、集中力を必要とするもの、創造性を必要とするものなど多様に用意されています。
で、結果はというと
・9 つの課題のうち 8 つで、ボーナスの増額を約束すると、実際に人々のパフォーマンスが大幅に低下した。
という驚きの結末を迎えました。1 か月分の給料の誘惑は、参加者のやる気を高めるどころか、むしろ人々を遠ざけてしまったのです。
さらにダンさんは文化的要因を排除するためにアメリカでも同様の実験を行うのですが、結果はインド同様。どうやら高額な報酬は人々のやる気には悪影響らしいです。
まとめ
というわけで今回はボーナスと仕事についてのお話でしたー。これは個人的には衝撃でして、ますますやる気迷子になってしまいました。我々のチーズはどこにあるのでしょう？
参考
Ariely, D., Gneezy, U., Loewenstein, G., & Mazar, N. (2004) Large Stakes and Big Mistakes. CMU Working Paper.
tabelog.com
最近はこういった日常ブログを上げれていなかったので、ブログのリハビリがてらに書いてます。
少し前に京成船橋の牛者に行っておりました。
（サイトから引用。落ち着いて話せる良い雰囲気でした。）
なんでもかつて食べログランキングでも上位にあり、牛たんが柔らかいのだとか。これは友人も喜ぶだろうということで早速予約した次第であります。
席だけの予約で訳も分からなかったもので、とりあえず普通のコースを選択。1万円くらいだったお思います。
例の牛タン。思ったのの20倍は柔らかかったです。アラフォーになると量より質！
フルーツカクテル。果物がゴロゴロで女性も楽しめそう。
デザートは抹茶。美味しゅうございました。
というわけで今回は行って欲しい焼肉店のお話でしたー。ビジネス（）の世界に入ってから痛感するのは、寝技だろうとなんだろうと権利や版権、仕事はとったもん勝ち！ということ。そのためには美味しいご飯だということを改めて感じます。こちら駅近で比較的リーズナブルですので是非一度は行ってみちゃーいかがでしょうか。
どうも、ブログでトラブっている男です。
今回はテストも兼ねて近況をつらつら書いていきます。
まずなぜブログのドメインを変更したかというと、
・シンプルにコストカット
・お名前.comの対応が悪いから
の2つです。1つ目は兼ねてから知っていたんですが、エックスサーバーの方が半額以下なんです。でもドメイン周りの知識が乏しいし、変更するのに時間もかかりそうなので見送っていました。
ところが、（これは私の問題でもあるのですが、）度々ブログが落ちることがあったんですね。この辺の対応に半日くらいかかるし、お名前.comの対応が横柄なので、今回の引っ越しに踏み切りました次第です。
で、勢いで変えてみたんですが、どうでしょう？？
・一応見れてはいるっぽい。（PV数はガタ落ち）
・グーグルアドセンスが連携されない。
など自身が未完了な部分もあるので、今しばらく更新頻度も下がってしまいそうですが、今後ともよろしくお願いします！
あと余談ですが、今は転職中です！
長らくかかってしまいましたが、ブログ引っ越しました。
今後はこちらから発信していきます。改めてよろしくお願いします！
スケーリングが甘すぎる自戒も込めてメモします。
特徴スケーリングとは乗算と加算を使用して特徴量の変数を変更する操作のことです。難しく書きましたが、要はデータを綺麗にすることです。
これをやる目的はシンプルで、精度向上と計算効率のためです。多くのモデルは、モデルをフィッティングする際に変数の大きさを考慮するため、異なるスケールの変数を持つことは、（一部の変数の優先度が高いため）不利になる可能性があります。計算効率が上がる理由については勉強中なのでしばしお待ちください。
さてスケーリングですが、よく使われるのが「標準化」と「正規化」です。
標準化はデータの平均を0、標準偏差を1に変換する手法です。これにより、異なるスケールのデータを比較可能にします。標準化は以下の手順で行います：
1. **平均値を引く**: 各データポイントからデータセット全体の平均値を引きます。
2. **標準偏差で割る**: その結果をデータセットの標準偏差で割ります。
この処理により、データは平均0、標準偏差1の「Zスコア」に変換されます。標準化は、特にデータの分布が正規分布に近い場合や、外れ値の影響を受けにくくしたい場合に有効です。
正規化は、データを特定の範囲にスケーリングする手法で、一般的には最小値を0、最大値を1に変換します。Min-Maxスケーリングとも呼ばれ、以下の手順で行います：
1. **最小値を引く**: 各データポイントからデータセットの最小値を引きます。
2. **範囲で割る**: その結果をデータセットの範囲（最大値－最小値）で割ります。
この方法は、データのスケールが異なる場合や、特定の範囲にデータを収めたい場合に有効です。画像処理など、計算負荷を下げる目的でも使用されます。
どちらも割とメジャーな方法なので基本どちらでも良いとは思いますが、そう言われると悩むもの。そこで判定として正規分布に近いかどうかで判断します。
import pandas as pd import matplotlib.pyplot as plt import seaborn as sns from sklearn.preprocessing import StandardScaler, MinMaxScaler df = clens_train.copy() columns = ['Age', 'City', 'などお好きなカラムをどうぞ'] # 分布をプロット for column in columns: plt.figure(figsize=(10, 6)) sns.histplot(df[column], kde=True, bins=30) plt.title(f'Distribution of {column}') plt.show() # 正規分布に近いかどうかで判断 if df[column].skew() > 1 or df[column].kurt() > 3: print(f"{column}: Apply Min-Max Normalization (正規化)") else: print(f"{column}: Apply Standardization (標準化)")
![運の方程式 チャンスを引き寄せ結果に結びつける科学的な方法 [ 鈴木祐 ]](https://thumbnail.image.rakuten.co.jp/@0_mall/book/cabinet/2010/9784776212010_1_2.jpg?_ex=128x128 "運の方程式 チャンスを引き寄せ結果に結びつける科学的な方法 [ 鈴木祐 ]")