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。

さて、久々の更新です。
1月も終わろうとしてますが、何気に2015年が明けてから一発目ですね。
今年もよろしくお願いします！

冬学期始まって一発目でもあるので
今学期とってる授業を紹介してみます！

Data Analytics for Marketing and Finance

トランスクリプトに”Data Analytics”の名前が欲しかったという 笑
非常に安易な理由で履修しました。
MBA向けのData Analyticsの授業で、
簡単に言うとRを使って統計やData Analyticsの基礎をやる感じです。

ぶっちゃけこの授業でカバーされるData Analytics周りの知識は
授業受ける前からほぼ全部知ってる気がしますが、
この授業のフォーカスの一つであるData Visualizationは
現状自信を持って「こーゆーものです」って言えないので、
授業を受けた結果、「Data Visualizationってこんなもんだったんだ」
って言えるようになれたらいいな〜と思ってます。笑

この授業は課題をグループでやっても個人でやってもよかったので
最初はめんどくさいから個人でやろっかな〜と思ってたのですが、
ルカ、ブルーノに頼まれたので彼らのグループに入ることにしました。
インターナショナルの中では最も仲のいいグループの人達です。
ビザチェックインからの付き合いですしね 笑
二人ともラテン系の割にしっかりしてて責任感があります。
Rの課題とか全部ボクがやって配ったらいっかと思ってたんですが、
二人ともちゃんと個別にやってきて、解答チェックしてました。

Leadership, Motivation, and Power

MBAと言ったらリーダーシップ！！
ということで履修することにしました。
何度かブログにも書いている気がしますが
MBAで教えているハードスキル系の授業は
とっても初歩的なものが多く
別にMBAなんか行かなくても自分で教科書買って読んだらわかるので
わざわざ学校で勉強する意義はあんまりない気がします。
せっかく高い学費を払って来ているので
MBAでしか学べないような
自分１人で学習するのが困難な授業をとる方が
費用対効果は高そうです。

そういった授業の代表が
MBAではリーダーシップやコミュニケーションです。

ボクみたいなお仕事ビギナーにはもちろん学びが多いのですが
たぶんどんなレベルの人でも学びがあると思います。
MBAでのリーダーシップ教育は「AはBです」的な授業ではなく
Self ReflectionとPeer Feedbackがベースになっているので
それぞれのスタイルに応じてどういうリーダーになりたいか
そのために何をしたらいいかを考えるのがメインです。
なので１人でリーダーシップの本を読むのとは学びの量/質が違います。

ということで何気に今学期一番楽しみにしている授業の一つだったりします。

Machine Learning Algorithms

コンピューターサイエンスの大学院の授業です。
基本的にはMBA/CSのDual Degree等、
CSの学位取得前提じゃないと履修できないと思います。笑
コンピューターサイエンスの大学院、Faculty超厳しかったです 笑
大学院の授業は、そのMajorの大学院生を優先的に履修させるので
大学院生だけでWait Listを超えて埋まるような授業は
基本的には他学部の学生は履修できません。

Machine LearningのようにData Mining/AI関係の授業は
昨今のBig Dataの大流行に伴い、超人気授業になっています。
実際Machine Learning Algorithmsもclass sizeが40人のところ
wait listに20人、wait listにあぶれた人70人(全員CS)という人気っぷりでした。

ということで、CSメジャーではないボクは本来とれないはずだったんですが
姑息に裏技を使って履修させてもらえることになりました。笑
採った方法は、

1. 授業を担当する教授が発表されたタイミングでコンタクトを開始する
2. 超人気授業なので履修できない可能性が高いことに理解を示しつつ
   一回目の授業で履修可否を判断してもらえるように交渉する
3. 一回目の授業直後に、自分はMBAの2年生なので
   これが恐らく人生最後のAcademic Experienceになることと、
   この知識が自分のキャリアに必須なことを理由にして、
   特例を認めてもらうように、もはやほとんどSOPなメールを送る

でした。
結果、二回目の授業の後、特例で履修させてもらえることになりました。

さすが超人気授業+教えてる教授がDistinguished Professorなだけあって、
今までとってきた授業の中で、少なくともハードスキル系の授業の中では、
ダントツで一番面白いです。笑
現状、Neural Network、K-D Tree、Support Vector Machineを扱いました。
毎授業何かしらのaha momentがあります。
CSの授業なのでさすがにコードは読まなきゃいけないものの
解説はいい感じにハイレベル(上層の方の意)にフォーカスされてるので、
逆にMBA向きな気もしなくもないです。

ということで、今学期は授業を3つ履修して、
秋から引き続きコンサルプロジェクトをやるという感じになりそうです。

履修単位が卒業要件に足りてるのかは若干心配ですが 笑
そうゆうのは春学期の授業を履修するタイミングで心配しようと思います 笑