Transcription
統計額の外論ということで、ま、生活保護受給者がついに 210万15万を超えましたっていう。
>> 森です。
>> ゆきです。今回のテーマは未経験からの機械学習エンジニア転職研修内容に迫ってみたです。それでは本日も日本の未来を救いたいということで内葉さんに来ていただきました。よろしくお願いします。
>> あ、よろしくお願いします。
>> お願いします。
内さん、自己紹介をお願いします。
>> あ、2014 年ぐらいから、ま、デタセンティスの名前では仕事を知っていまして、で、今は数学文化という会社で社長をしてます。主にその若手を研修したり、法人さんに技術コンサルをしたりということが主業です。
ラックスパートナーズの機械学習の講義どんな感じなんでしょうか?
>> じゃ、今回はですね、その統計学の外論ということで、ま、 1 番最初の初回に行うそのオリエンテーション内容で皆さんにお話をしていこうと思います。 まずですね、最初に、ま、私たち統計学と いうのを仕事で使っていくので、ま、 こちらの概要ですね、主に2種類今後出て きます。記日統計っていうものと推測統計 ってのが出てんですね。な、記述統計って いうのは手元にデータがありますと、それ を数にしたり貸化したり、ま、こうやって データが持ってる特徴とか法則性とか、ま 、そういうのを発見することが目的の統計 学です。例えばですね、コンビニとかで なんかどれぐらいうちのお店来てんのかな みたいな。ま、ちょっと1 日店長やってもらった気分ぐらいにお客さんたくさん来るんだろうとかって興味ありません?
>> お昼とか1時間。
>> そう。そしたらそういうのを横時間にして縦軸お客さんの方にしてオレ線ラフにしてる。ま、これは気絶当統計画ですね。
>> 今の貸化って証拠の時も習うじゃんって思うんですけど意外と深くて今の話 1ヶ月あたりとかにしてみましょう。1 ヶ月全体で1 日何人お客さんが来たんだろうって。その 100人から150 人の間に来たのは何日で 150人から200 人間来たの何日でみたいな。そういう私のちょっとボグラフみたいなものをちょっとイメージしてください。ま、正確年はヒストグラムって言いますがここにちょっと 2 つ山が出てきたらどんなイメージ持ちます?平日見てみると結構少なくて土日祝日が実は多かった。そういう傾向が分かるとなんで土日祝日にこんなに打ちてきてるんだろうみたいな。あ、そういえばうちって近くに野球場あるなみたいな。
>> じゃあ野球場に来るニーズが高いかもしんないからなんちゃらチームとかの商品売ってみようかなみたいな。
>> そういうとこに繋がるのはこの歌詞の面白いところですね。トラッキングのエラーとかもそうですね。そのウェブトラフィックとかの話とかでなんか普段はじゃあなんトラフィックでおって大体 1 万前後で推移してますとかでグラフィ出てくるじゃないですか。て時に今日急に 3 万フィック来たらどう思います?うちのサービス攻撃されてないみたいな。
>> 確かに確かに。
>> うん。で、そういうことを一瞬で分かるようにするのはカですね。
>> うん。
>> うん。 で、今の数があったからより分かりやすかったですね。 5000から2万5000 の間とかで、そういう風にヒントになる数を提示してあげるのは数約ということで総計約は確かにやってることはシンプルでなんなら子供の時にね学ぶこともあると思うんですけどそれどう生かすかっていうのが大事なんですよ。
>> それを学ぶのは技術です。で、これ推測って話をさせてください。定義は難しくて全体の 1 部分から推測して全体の法則の発見に至ることを目的する統計額ですと。
>> 司方には統計的推測とか統計的仮説検定とかがありますよって、ま、何言ってるんだこれって感じじゃないですか?例えば 1週間この広告Aと広告B2 つの広告どっちの方がクリックされただろうか。 で、そういうのって一旦クリックする1 週間どれぐらいになったかってのそれぞれ確認して、ま、そもそもそう インプレッション数、インプレッション ションっていうのか閲覧数持っていいです のうちのこれぐらいのクリック数だから こっちのがたくさんクリックされましたね 。一見終わりだと皆さんその1週間の間 だけすごくクリックされることに興味あり ます。なんかもうちょっとも含めて成果 じゃなくて今後もその広告使った時に どんなクリックされるだろうみたいな広告 自体が持てるポテンシャルみたいな興味 ありますよね。こういうのって起日造計 だけだとなかなかうまくいかないんですよ 。それはどうするかって言うと本当は きっとこれぐらいのポテンシャル上がる クリック広告だと思いますの先に決めとい てそれがさらに全体の話です。その1部分 として今回1週間のデータを得ました。 じゃあ今回このポテンシャルからこういう データ得られやすいですかねみたいな。 そうやって考えていくとこの航空の ポテンシャルはどれぐらいかって絞れて くるんですよ。そういうことやってるのは 推測です。推測統計。結構これいろんな ところで使いますよ。お家とか探してる時 。 この家って相対的に安いのかなとか、そういうのって手元のデータだけじゃなくて、なんかそもそも価格決定ってどうやって出されてるんだろうみたいな
>> ところに戻る方が1番自然ですよね。
>> で、そ、価格決定とかもやっぱり全体なんですよ。で、そのうち 1 部分今売られてる、ま、内者は賃貸されてるおうちはこれぐらいのデータですよね。で、その中からだんだん不的な放送はきっとこれだって見つけ出して、じゃあ今例えば 30平米の家借りようと思ってたら 15万円かあってもう予測してみると 12万て出てんだ。3 万ぐらい高けえなとか。
>> うん。 そういうに全体をかす仕事結構機械握デタブースたくさんあって、ま、それを支えてのは推測
>> 私好きで、ま、ひキしてるチームがあるんですけど、今すごい弱くてですね、今までの勝率っていうのを計算すると今後残留するにはどれぐらいの勝率が必要なのかっていうの計算すると割と難易度高めなんですよ。 これて元のデータを計算してで後のデータを測するていうところでうとこの、え、推測に近いです。
>> 素晴らしい。
>> 本当にそうです。
>> はい。
>> で、しかもそれはセーバーメトリックと言ってしっかりとあの我々の分析の一分野です。
>> へえ。
>> で、それは本当に生かされてるのが、あの、その勝率の方の予測もあるんですけど、もっとよくあ、あるのがじゃ誰を雇おうかって話ですね。ベテランを雇うのと結構お金がかかるので新人の中でいい人は発掘。 それをもっとたくさんの選手たちのデータからどう補正していくかそれは 1つ有名な例で
>> なるほど
>> この人これ今打率しかないけど補正してきっとこれぐらいに伸びるはずとかしてはめちゃくちゃこの人打ってるけどまきっと将来的にデータ貯めてこれぐらいの打率に落ち着くはずとかでそういう補正した打率を使ってこの人にこれぐらい払って投資しようみたいそういうの考えるのは 1つ客の仕事ですね。
ということで、ま、ちょっと、ま、簡単な問題を少し解いてみましょうということで、ま、これはね、教科書的な例なんで、生活保護受給者がついに 20万、15 万を超えましたっていう厚生労働省の発表。これは記日統計か推測統計かと。で、半澤直きがその最終回率 40%超えましたと。これ TBS の話ですね。これあの統計だと記日か推測かと。 ま、そのメールガーレングアティブネスっていう、ま、それがそのとあるイギリスのあのニュースというか場所に出ましたけど、ま、記事か入れましたけど、ま、これがその記術統計か、推測投計かと
>> 最初の方はもう実績 215 万人超えたという実績なんで記術統計額じゃないですか。
>> おお、飲み込みが早いです。
>> おお、めっちゃ嬉しいね、これ。
>> 最近はね、ちょっと国家もあの一部を調べるっていうの入になってきたんですけど、推測統計地区のてやりたいっていう案件も実際あります。 ま、やっぱその厚生労働省さんとかはかなりね、あの、全員調べることは術計の判でありますね。
>> うん。選挙のなんか出口調査とかはあれは推測統計とか。
>> そうです。そうです。あれは本当に推測統計で全員調べる前にこういう人勝ちましたみたい言うことありません。ああいうの息届けだからできるんですよ。たまにひっくり返っちゃいますよね。 事前に調べて一部のデータがなんかの事情によって偏ってしまってたんで、推測統計側ではもう絶対勝てると思ってたんだけど推測計画ってなるべくランダムになってることをちょっと想定してやられてる分析なんで、ま、ちょ、そこの部分の塊りが反映して結局結果が変っちゃったりということがあります。
>> 推測機は必ずしも正しいこと言えるわけじゃない。いい例ですね。ナ
>> お、どうぞ。
>> 推測です。
>> おお
>> お。なぜですか?
>> 視聴率はビデオリサーチと言って日本全国の視聴を取ってないから一部から全体推測してるんじゃないでしょうか。
>> 素晴らしい。
>> おお。
>> はい。大正解です。で、最後にメールフィンガーの方、
>> これすいません。言ってる意味が、
>> これ、これ、あの、男の人の指の長さだったかな?
>> これがその魅力に関わってますよみたいな。そういう記事が出たことがあるんですよ。このタイトル。
>> へえ。
>> 技術統計学。
>> なるほど。どうしてですか?
>> すいませんか。難しいっすね。これ
>> 感覚で答えちゃいますね。
>> どちらでもありません。個人の感想です。
>> それはあなたの感想ですよねってことですね。
>> はい。デートの取り方ですよね。ま、全員見て魅力だと言ってるだろうとは思えないので。うん。
>> うん。
>> なので、ま、C って言うなら推測なんだろうなぐらいです。
>> うん。
>> 全人類の指の長さを分かっていたとしたら記術ですね。それはガチガチの基術です。今の話結構重要で、ま、こういう話聞いててちょっと技術計推測には 1 つ大きな違いがあることが分かるんですよ。 キス造計ってだと厚生労働さんって全国民調べてますよね。
>> うん。
>> どう思います?これ大変じゃないですか?
>> 大変。
>> 大変ですね。
>> うん。キーワードはコストなんですよ。記日統計する時って結構コストがかかることが多くて
>> うん。うん。うん。
>> ここに冷蔵庫ありますと。この冷蔵庫の負荷かけても壊れませんみたいなっちゃますよね。全部負荷かけますか?うん。うん。
>> あ、そういうのよくあります。椅子とかも何回座っても大丈夫みたいな感ありますよね。
>> そうありますよね。でもあれ全部の椅子にそんな実験したら出荷できないですよ。
>> うん。
>> はい。確かに。
>> それって一種のコストです。 なのでコストがかけられない時には推測が出てくるんですよ。
>> ほ
>> うん。
>> 動画の途中ですが未経験からエンジニアを目指す方、
>> エンジニアとしてもっとキャリーアップしたい方、
>> 無料オンライン説明会、
>> カジュアル面談実自実施中。詳しくは概要欄のリンクから。
じゃ、ちょっと1の2 節の募集団と標本に移っていきましょう。
工学枠ね、結構重要な言葉として募集団と標本って出てくるんですね。冷蔵庫に負荷をかけますみたいな話ありましたよね。 あれって募集団っていうとかっていうと、その今後作る天の冷蔵庫みたいな
>> うん。
>> こう我々考えですよ。それま仮想的ですけどね。それが募集団です
>> に対してその一部しか我々ってデータ取れないですね。例えばこの 1週間作った冷蔵庫。
>> それが標本。
>> うん。
>> で、こういう感じで募集団と標本という風に言葉を抽象化しておくことによって私たちはこの推測投を学ぶ時になんかこの手法はどういう手法かみたいな楽になります。 毎度ですね、具体に合わせてやってるとこれはじゃあ他のこのケース使えないんですかみたいになるじゃないですか。
>> そういうのをあのしないためにも一旦こういう募集団中小的な言葉をちょっと準備しているわけですね。その中にちょっと標本中止という言葉があるので今回ちょっとここに取り立てて見てみようと思うんですけどこの募集団の中から一部のデータを持ってくる作業のことを標本チュースという風に言います。さっきの冷蔵庫の話だったらアマターの作られる冷蔵庫のうちその 1週間作る冷蔵庫のその 1 週間で決めた部分が標本中に対しますよね。
>> うん。
>> これはちょっと理論と実際の現場の違いがこの標本中に現れるんですけど、この標本はある程度バラバラに取ってくるみたいなイメージがあるんですよ。今 1 週間でさっき決めてましたけど本当はそうじゃなくて今後あ作られる天の冷蔵庫からパラパラに取るって意味だからとある冷蔵庫は 2022年の4月4 日に作られた冷蔵かもしれないし、また別の冷蔵庫は 2032年の5月18 日に取られた冷蔵かもしれない。
>> 無理ですよね。
>> うん。うん。うん。
>> なので標本チュースのところは実際にはこうランダムにやるっていう理論的な方がよく入るんですけど無理だったりします。 なんでこういう図にしておいて我々理解することで今後勉強する時にあれなんかどこの家庭僕満たされてないかなみたいなを考えるきっかけになります。で、特にこの標本術失敗することが多いんですけど偏ってるはずだよなとかでそういうの考えたに必要なんで後でまた習いますからこの図が出てくるぞ募集団本そ間のあの関係性を作る標本中出の 3つの言葉は是非横でおいてください。 1個ぐらいやっていきますか問題。
>> はい。
>> はい。衆議 院選挙の当選速報ですねについて募集団と標本と標本中出どんな感じかみたいなちょっと考えてみてもらいますか?
>> 募集団は選挙権を持っている人たち
>> うんうんうんうんいいですねじゃ標本はどうでしょう?
>> その各死とか区とか対象の人たちの中の
>> ランダムな人あなるほどねランダムですかね
>> ええランダムじゃないのか
>> ランダムにやろうとはしてるかもしれないですね
>> ああ
>> うん出 で捕まえられた人ぐらいですか?
>> ああ、
>> うん。うん。
>> うん。一部の人たちですね。ま、大体 2 人ともなんで結構良かったですね。抽出としては、ま、完全にランダムじゃないかもしれないけど、ま、ここの体育に来る人とか、ま、そういうのある程度決めてるって感じなんですね。で、今みたいなことを考えておくと、ま、自分が使う手法とギャップがどんだけあるかどか分かります。今後
>> はい。 なんかここの中のとこ本来もっとバラバラだったはずとかはま、今回こういうス方法したんだったら体育ごとかで決めちゃったんでその分どういう修正をしなきゃいけないとか見えてくるんでぜひその時にまた本抽出のところで出口調査受けたことあるんですけどなんかそこもこう男性何人何人とかなんか年齢層もこう上とか下とか若い人とかなんか家族連れできてる人のお父さんとかそういうのもなんかその抽出するとか考えをうんう
>> んう 見れるみたいなものは考えとしてあるんですか?
>> ウェイトバック集計って言ったりするんですけど、ま、実際その区に住んでる人っていうのは男性女性費がこれぐらいでかつ年代費がこれぐらいだみたいなそういうとこに合わせに行く計方法っていうのある。
>> そうやって偏るヘラス工夫をしたりしますね。
じゃ、せっかくなので、ま、1 つ応用例を一緒にやってみようしましょ。数学文化というのは私がやってる会社ですけど、その数学文化というのが Google に大人数学と検索したとで、こういう人のに対して、ま、リスティング広告を売ってるんですね。 今、ま、井位先生って先生がいるんですけど、彼が、ま、昔は社会のための数学教室っていうタイトルで広告を映ってたと。だけど、あ、大人のための数学教室っていう風に変えた方がいいんじゃないかみたいな。ま、やっぱ幅も広がるし、社会人に大人の方が定義が広いですからね。その方がいいんじゃないかっていうことで、ま、新案よりね、
>> Q 案の方がいいだろう。きっと繰ク率は高いはずだという風に主張してるとします。一やっぱこの気問で答えようとした先生っていう先生がいるんですね。 まず1週間2 つのタイトル案をどちらも走らしていましょうと。これ同時に走らせることにしました。で、より正確には大人数学検索した人に対して旧来のタイトルと信タイトルのうちをどっちか一歩かランダムに表示してくださいという
>> はい。形にしたとします。
>> はい。
>> なんか年齢とかを気にして出すわけじゃなくて、本 Google コテストのできるんですけど、何年代はこれさしたいみたいな、そういうの一切やらずにちょっとランナー目出してねってやったとしましょう。
>> で、そうすると今回ですね、こういう表がやられましたと。 球来はクリックスが40 個でソインプレッシャスは1250、
>> 新案は48でソインプレッシャスは 1397とはい。
>> じゃあですね、これについてじゃあ K 先生がどういう宗教をしたのかということを一緒に見ていきましょう。
>> はい。
>> ちょっとインプレッション数違うんで、
>> ま、少しこの4048 って割合でどうなのかなって見てみたいですか?あ、それがですね、やっぱその
>> データに対しての興味なんですよね。
>> うん。なるほど。
>> そう、こういうとこで興味持てるとやっぱ自然にこうしたいなって思うじゃないですか。 これが大事で計算してみると今回あの旧の方だと 3.18%新案の方だと 3.44%ちょっと試合ご入しました。でんでま、これだったら、ま、深案の二先生がおっしゃってのがいいのかなとみたいな感じになりますよね。じゃ、ちょっとこれをうん。
>> 警戒議に上げましょうと。
>> うん。うん。
>> はい。ではどうするかみたいな話ですけど、某にしていませんかみたいな。
>> うん。あ。
>> はい。パイソンだとこういう風な行動を書くんですね。今日するんで安心してください。今後やります。はい。 なんかこれ防具にするとこんな感じになりますよみたいなが出てきます。はい。そうすると、ま、ちょっと
>> 小さい牌だけど、ま、確かにや信のが高いかなみたいのがよくわかるかなと思うんですね。
>> なんで、ま、K 先生は一旦これでじゃ案ないですねみたいなこと主張したということで、まずここまでが記日というものです。
>> はい。はい。
>> 私たちは一旦データをました。手元のデータから何が得そうですか?把握してみましょうと言った時にあ、ま、深夜の方がたくさんクリックされてますね。これで分かったと。 じゃあ、その新しい方、ま、やっぱ大人に変えるのがいいのかみたいなところをちょっと考えていきますと。これって 1週間の実績ですよね。単にね。
>> うん。
>> はい。
>> うん。ま、やっぱ今後もどうなのって思うじゃないですか。
>> うん。はい。
>> もうちょっと言えばたまたま 1 週間の結果がこうだっただけで来週やったらひっくり返る可能性がありますね。うん。うん。確かに。
>> だってこんなしか差がないんですよ。
>> うん。うん。
>> じゃあそういう可能性ってあるんですかっていうの考えていくのが推測統計になっていきます。ここでちょっと募集団と標本という言葉を思い出してみましょう。 今回募集団っていうのは今後も含めてこのこ脱出続けた時にグリックされるされないがどれぐらい含まれてますか?それを信案それぞれで考えてくとします。それたして標本の方は今回 1週間得られたデータがこれ
>> はい。
>> ていうものですね。 ということで私たちはあの、ま、こういう話からじゃあなんかもっと全般的に今後こういう広国を出し続けた時にじゃあなんかこれぐらいのポテンシャルが広告にあるということしてこの現象がどういう形で起こりやすいかっての見てみましょうていうのやるんですね。こういう今の話ってちょっと数学的になってきたじゃないですか。なかなか自分で考えるの大変だと思うんですよね。
>> うん。
>> ということで推測統計では、ま、そういうところある程度フレームは化したもの、よくメソドロジーというんですけど方法論ですねというのある程度働いてくれていて、一旦方法論自分で勉強しておけば、ま、あとは適用したらどうですかって形にちょっとその使う場所と
>> あの、真面目に考える場所のあの場所を切り分けて
>> 考えていきます。実は推測の場合にはその場合にはこのボ比率の差の検定というあのここがいいわゆる統的仮説検定という手法論ですね。
>> うん。
>> は、存在していて、ま、ここに先ほど作った新& Q&のクリック率とインプレション数
>> というの書いておいて、それをこの SS. 解上コン、あの、これ読むの大変なんですけどはい。コンティンゲンシーというものに渡していくと
>> 仮説検定というのは計算できますと。ちょっと今回簡単にピーチと言われるもしか出してないんですが、本当は結構いろんな値を出力して総合的に関します。うん。うん。 ま、ちょっと大雑っ把に言うと、ま、多くの方はこれ有意数 5%というの5% より小さければ差があると判断していこうかなとか、なければそう判断するのを保留しようかなみたいな。で、ま、今回の場合ただこの 0.8 っての見てみると、あ、これ結構偶然の差だったかもなていう風に考えていく人が多いいかなと思います。 またこれのことをそのもし2つの広告の ポテンシャルが全く同じだった時に今回 起こったような集計表ですねのがま、どれ ぐらい起こりやすいですかねみたいなしり づらいですかねみたい値だと判断する方も いてちょっとだけ嘘嘘なんですけどま許し てください皆さんはいということであの 判断することもあってま0.8で結構 大きいなみたいなのでまこういうことも 結構あるんじゃないみたいなで判断すると まじゃ差がない思うのもしょうがないかな みたいな結構この深夜のがいいって判断 する ちょっと危険かなみたいなで考えていって新案の方はあの必ずしもいいとは言えないっていう風に結論をひっくりさっきとはちょっとひっくり返りましたね。ていくこともあります。これが推測ト統計。こういうことをやると結構あの意思決定として役に立つことがあって先ほどだと信案がいいって話だったんでもう深夜やっていきましょうみたいな雰囲気だったかもしれませんけど
>> 今回は Q&ってもしかしたら同じかもしれないなっていう空気になってますよね。
>> はい。
>> そうすると案を今度していくに結構コストがかかると例の案に対応するパンクリストから専門に作ってもらおうと思ったらそこのコンサルビがかかるとか
>> ないしはその信案をさしていく時になんかそこから先こうウェブページをまた接続していくじゃないですか。そのウェブページの修正が必要だとか
>> ま、そういう話になった時にその視に変える気体効果見合ってるんですかみたいな話ができますよ。
>> うん。
>> あんまり触んだったらんでいんじゃないっていう話があったり逆にまだいい走らせてきたんでもうそろそろどうせ飽きるでしょうと。なんだったらまだとしても別に変えてよくねって話。
>> あ、確かに同じだったら別に変えても影響ないんだったらいいよねっていう判断もあるんですね。
>> そう。そういう判断もあるので。ま、視野の方が例えば本当にかなりポジティブだ。それはコスト買ってもシア変えたわじゃないですか。でも同じだったことによってどっちにするかってまだ判断変わったりしていくんで。 判断して自信を持ってなるべくお伝えする伝えする大事になってきます。
>> 基本的にこれAB テストってなんでマーケティングの界隈でかなりやられているものです。
>> はい。
>> AB テストはもうちょっと色々やるんですけど、ま、今回その ABSの中で1 番簡単な部分だけ持ってきました。 研修大体こういうことをやってで、ま、この後ですね、もっと高度な処法とかもちろんやっていきますし、逆にこの分析方針に対して何かこう批判をしてくださいて話とかを今後はやってることになります。いくらでも批判できます。
>> とは関係ないですけど、機械学習もそういうのがあって、
>> 例えばじゃあリコメの方とかでもじゃこの人にこの商品推薦するのは、ま、すごくいいよねみたいなでいい風に制度よくリコメンドできる仕組みを作ったじゃないですか。 でもサービスの仕様として私たちはこのカテゴリーの商品は推薦したくないみたいな別の約束があったりするんですよね。
>> で、それを守らなかったものって機械学習上制度が高くても結局仕組み上としては最悪なんですよ。
>> うん。
>> 例えばそれって結構SNS とかではよくあってこの人にこの人を付き合わせちゃいけない。
>> うん。
>> あ、付き合うてそのコメントですね。 うん。
>> AさんはB さんとは違うのカルちゃんに所属してるから B さんにこの人フォローしませんかとか言ってはいけないみたいな。うん。
>> で、そういうのってデータ上は正しくてもサービス上は最悪。
>> ああ。
>> うん。
>> そういうところとかもね、考えていかなきゃいけないので機械学習というのはただその制度見るだけじゃなくてもっと自分たちの約束ごとルールカットかを明確にして、ま、こういう予測が起きたらそれを例外処理しようとかていうところまで考えていくんですね。うん。 ま、そういうのってやっぱでも仕組みがなかなか分かってないと、ま、勝手にやってくれるだろうって思っちゃう方もいらっしゃると思うんで、ま、我々の仕事っていうのはかなり価値があるわけですよ。深いな。
>> 深いっすね。いや、もうなんかもう気づかぬうちに多分機械学習に触れてるじゃないですか。
>> そうですね。
>> 本当になんか裏側はそんな点だなみたいな。
>> これ講義これで終わりですか?
>> あ、はい。20分でこれではい。
>> え、続き聞きたいんですけど。いや、いや、そうですね。 これどうどうしたら続き聞けるんですか?
>> え、入社ですか?
>> 入社です。
>> 時間あるんで、これ。
>> ああ、なるほど。
>> はい。
>> あ、
>> しかも基礎だけで。
>> へえ。
>> 82時間。
>> 82時間です。
>> まだ20分ですよ。
>> おお。いや、でも20 分でこれだけワクワクするなら 82 時間やったらもう楽しくて宇宙行けちゃいます。
それでは本日のおまとめです。ラックスパートナーズではこんな感じの講義が行われてます。 機械学習エンジニアの道に興味がある方は この世界に是非飛び込んでみてください。