ということで気が付いたら冬学期が終わってました 笑
いやぁ月日が経つのは早いですね。
冬学期はAMR(UCLAのコンサルティングプロジェクト)に忙殺され
あんまり何があったか覚えてません。笑

そしてブログは相変わらず全く書かなくなってしまったので
またちょっとずつ書いていこうかな〜と思います。
…なんか最近全部のポストでそれ言ってる気もしますが…笑

最近facebookでコンピュータサイエンスの授業関連のポストとか
ちょくちょくしてるからか、
結構頻繁に「コンピュータサイエンスの授業取ってみたいんだけど
話聞いてくれない？」とMBAのクラスメートに聞かれます。
特に、秋の初めに一年生に向けて、
「テックバックグラウンドないとか言われたら、
コンピュータサイエンスの授業取って『うるへい』と言いましょう」
とプレゼンしてしまったので、
一年生からは何とったらいいかよく聞かれます。
ということで、
ボクの周りではコンピュータサイエンスが若干流行りつつあるので
今回は純粋なMBAの人はあまり知らなそうな
コンピュータサイエンスの授業の中で、
今学期履修したMachine Learningの授業がどんなだったか
コンピュータサイエンス知らない人向けに書いてみようと思います。

Machine Learning

日本語ではきっと機械学習と呼ばれています。(Wikipedia先生の解説)
簡単に言うと、
過去のデータを使って未来を予測するために
コンピュータに”学習”をさせるという手法の総称です。
コンピュータが”学習”することで、使用方法によっては
人間には知覚できなかったinsightを得ることができ、
コンピュータサイエンスの世界ではとてもホットなトピックで
ビジネス、医療をはじめ、いろんな分野に応用されています。

「過去のデータを使って未来を予測する」ための手法であるため
基本的に過去と未来のデータが全く違う場合は役に立ちません 笑
特に多次元の分析をしている時とかは
人間の知覚の限界を超えたところのinsightを得ることができるため
「機械学習無敵っしょ」的な考えに陥りやすいのですが、
限界をしっかり踏まえた上で使用する必要があります。

Contents Covered

この授業では、タイトル通りMachine Learningのアルゴリズムを習いました。
習ったアルゴリズムは

• Neural Network (Single Layer and Multi-Layer Perceptron)
• Support Vector Machine (and kernel technique)
• k-Nearest Neighbors
• Genetic Algorithm
• Q-Learning (and several other reinforce learning algorithms)
• Tree Learning (ID3 etc)
• Decision by committee (and boosting concepts, specifically Ada Boost)
• k-clustering
• Bayesian Network

らへんをちゃんと学び、
Hopfield NetworkとDeep Learningの超入門の所をさらっとなでました。
たぶん全部Wikipedia先生に聞けばノリは理解できると思います。笑

コンピュータサイエンスの大学院と聞くと
関連バックグラウンドがないとついていけなそうな気がしますが、
実際は各トピック、ちゃんと基礎から教えてくれるので
知識のなさは多分問題にならないと思います。
論理的思考/数学的思考力はある程度ないときついですが…笑

この授業のコンセプトは教授が口をすっぱくして言っているのですが、

The purpose of this class is to provide the solid understanding of basic algorithms in machine learning area. There are many people who “think” they know those algorithms and use machine learning applications but actually treat those algorithms as “black boxes”, throw some parameters and see if those work.
If you use those algorithms that way, you will have no idea if the model is working and you will basically depend on luck.

このクラスの目的は機械学習で使われている基礎的なアルゴリズムを”ちゃんと”学ぶことです。これらのアルゴリズムを知っているつもりの人達は世の中にたくさんいて、彼らはアルゴリズムをブラックボックスとして扱い、パラメータを設定して結果どうなるか見るだけしかしません。それでは実際に使ったアルゴリズムが効果あるかについて全くわかりませんし、基本的に運に頼った分析しかできません。

こんな感じです。
ちなみにMBAの分析系の授業は
まさにアルゴリズムやモデルをブラックボックスとして扱っていて 笑
常に「そのレベルの理解で使ったら、結局運任せじゃん」と思っていたので
コンピュータサイエンスの教授がこういうことを言っているのを聞くと
やっぱり自分は間違えてなかったんだと思えて嬉しいです 笑

Professor and TA

この授業を担当していた教授はMajid Sarrafzadehという人で、
たぶんイスラエル人なんじゃないかと思います。
TAはNabil Alshurafaという人で、多分この人もイスラエル人です。
教授はなんかDIstinguished Professorという肩書きを持ってて
なんかよくわかんないけどすごい人っぽそうだなーと思っていたら、
最後の授業で
“So, when I was on CBS yesterday ready to talk about the science behind the device my team developed…”
と普通に話していて
「…ん？CBSのニュースに出たの？」となり 笑
よく話を聞いてみるとWearSensというデバイスを開発したらしく
ちょっとググるだけでCBSやMTVのニュース記事が出てきます。笑

記事読んだらわかるんですが、このデバイス、ハゲしいです 笑
簡単に言うと万歩計のネックレスバージョンなんですが、
測るのは歩数ではなく、何をどれだけ食べたかです。
首から伝わる振動を機械学習のアルゴリズムで分析し
食べているものと量を測定します。
食べているものと量がわかればカロリー計算ができ
一日のカロリー摂取量がわかります。

これ、中々半端ないと思います。
カロリー計算系のヘルスケアアプリのペインポイントは
インプット(いかに簡単に入力するか&正確に入力できるか)で、
ユーザーに何を食べたか、いかに簡単に入力させるかが
アプリの焦点だったのですが、
このウェアラブルは、ユーザーに入力作業を一切させないことで
簡単さと正確さを同時に超ハイレベルに解決しているという、
プロダクトマネージャ的な視点から見ると
とても素晴らしいプロダクトだな〜と思います！
ということでもはや回し者ですが 笑
実際にこのプロダクトがいつ発売かとかいくらかとか
日本でも発売されるのかとかは特に知りません 笑
ウェブサイトはこちらなので、興味ある方はチェックしてください。
(現状ほぼ情報載ってないですが 笑)

So what

ということでMachine Learning、授業かなりアツかったです！
何個かプログラミングプロジェクトもあり、
機械学習のアルゴリズムをライブラリを使わず自分で実装したり
データ一つ一つをデバッグして
ウェイトがどう変わっていくか観察したり
その結果を受けてアルゴリズムを改造したりしたので
各アルゴリズム、結構深く理解できた気がします。
また、教授がたまに話してくれる応用例も
「やべー何それ激アツじゃん！！！」的な話が多く、
特に軽めのヘルスケア関連での機械学習の応用は
モバイルとウェアラブルが浸透し始めて、
まさにこれから面白いことがたくさん出来るようになるんだな〜
というのがひしひしと伝わってきました。