森下光之助の作品一覧
「森下光之助」の「機械学習を解釈する技術～予測力と説明力を両立する実践テクニック」「ビジネス課題を解決する技術～数理モデルの力を引き出す3ステップフレームワーク」ほか、ユーザーレビューをお届けします！
- 作者をフォローする
- フォローすると、この作者の新刊が配信された際に、お知らせします。
作品一覧
-
-※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。 ◆数理最適化×数理モデル×データの力で最適な意思決定を導出する◆ 現代のビジネスシーンにおいて、データサイエンスの活用は競争優位性を確立するための鍵となっています。しかし、多くの企業が「データをどうビジネス価値に結びつけるか」という共通の課題に直面しています。特に、生成AIの進化により分析技術が身近になった今、データサイエンティストには単なる技術力以上に、「曖昧なビジネス課題を、データサイエンスで解決可能な具体的な問題へと的確に変換する能力」が強く求められています。 本書は、この重要な「問題変換能力」を養い、データに基づいた最適な意思決定を導くための実践的な指南書です。その核となるのが、著者が提案する「3ステップフレームワーク」です。このフレームワークは、複雑で捉えどころのないビジネス課題を前に、数理最適化、数理モデル、そしてデータの力を統合的に活用することで、具体的なアクションを導出するための体系的なアプローチを提示します。 ステップ1：ビジネス課題を数理最適化問題として定式化する 最初のステップでは、解決すべきビジネス課題を数理最適化問題として明確に定義します。具体的には、「何を最大化または最小化したいのか」、「そのためにどのようなアクションが取れるのか」、そして「守らなければならない条件は何か」を数式を用いて具体的に表現します。このプロセスを通じて、課題の核心が明らかになり、分析の方向性が定まります ステップ2：数理モデルを構築し、未知のパラメータをデータから推定する 次に、ステップ1で定式化した最適化問題を解くために不可欠な「アクションと成果の関係性」を明らかにします。多くの場合、この関係性は未知であるため、数理モデルを構築し、手元のデータを用いてモデル内の未知のパラメータを推定します。この際、分析対象のデータ生成過程に対するドメイン知識を活用し、分析者の仮説を数理モデルに反映させることで、現実に即した妥当性の高い推論を可能にします ステップ3：数理最適化問題を解いて最適なアクションを導出する 最後のステップでは、ステップ2で関係性が明らかになった数理最適化問題を実際に解くことで、ビジネス課題に対する最適なアクションを導出します。これにより、勘や経験だけに頼るのではなく、データに基づいた客観的で合理的な意思決定を行うことが可能になります 本書では、この3ステップフレームワークを、テレビCMの効果測定といった具体的なビジネス事例を通じて詳細に解説します。読者は、単なる理論学習に留まらず、実務の現場でどのようにフレームワークを適用し、具体的なビジネス価値を生み出していくのかを深く学ぶことができます。 データサイエンティスト、データアナリスト、機械学習エンジニア、そしてデータサイエンスをビジネス成果に繋げたいと考えるすべての人にとって、本書は課題解決のための強力な思考ツールとなるでしょう。 ■こんな方におすすめ - データサイエンティスト - データアナリスト - 機械学習エンジニア ■目次 はじめに 1章ビジネス課題を解決する技術 2章 マーケティングにデータサイエンスを導入する 3章 認知形成を数理モデリングする 4章 連続最適化で広告予算を配分する 5章 離散最適化で広告出稿番組を選択する ■著者プロフィール 森下光之助（もりした みつのすけ）：REVISIO株式会社 執行役員CDO データ・テクノロジー本部長。東京大学大学院にて経済学修士号を取得後、データサイエンティストとして活動。現在はREVISIOにてデータ戦略の策定・実行を統括。データサイエンスの知見を活かした実践的なデータ活用を推進している。REVISIOでのデータ基盤移行プロジェクトはSnowflake社の「DATA DRIVERS AWARDS 2023」で最高賞を受賞。機械学習モデルの解釈性を扱った著書『機械学習を解釈する技術』は「ITエンジニア本大賞 2022」技術書部門ベスト3に選出された。 -
4.91巻2,948円 (税込)機械学習の研究開発が急速な勢いで進んでいます。理論研究はもちろん，機械学習手法が実装されたオープンソースのパッケージ開発も進み，それらを実務で利用するためのノウハウも蓄積されてきています。結果として，機械学習をはじめたばかりの入門者でも比較的高い精度の予測モデルを構築できるようになりました。 Deep Learning, Gradient Boosting Decision Tree, Random Forestなどの機械学習モデルは高い予測精度を誇りますが，モデルの解釈性が低いという欠点があります。これらの複雑なブラックボックスモデルにおいて，モデルがなぜそのような予測を行っているのかを知ることは困難ですが，データ分析者自身がモデルの振る舞いを把握し，説明責任を果たすことを実務においては頻繁に求められます。 本書では，このような予測精度と解釈性のトレードオフを克服するための手法について，実務において特に有用と考えるものを厳選して紹介します。本書の構成は以下になります。 1章: 機械学習の解釈性とは 2章: 線形回帰モデルを通して「解釈性」を理解する 3章: 特徴量の重要度を知る～Permutation Feature Importance～ 4章: 特徴量と予測値の関係を知る～Partial Dependence～ 5章: インスタンスごとの異質性を捉える～Individual Conditional Expectation～ 6章: 予測の理由を考える～SHapley Additive exPlanations～ 付録A: R による分析例~ tidymodelsとDALEXで機械学習モデルを解釈する~ 付録B: 機械学習の解釈手法で線形回帰モデルを解釈する 2章では極めて高い解釈性を誇る線形回帰モデルを通して，予測モデルに求められる解釈性について説明します。以降の4つの章では，それらの解釈性をブラックボックスモデルに与えるPFI, PD, ICE, SHAPと呼ばれる手法について解説します。 本書は機械学習の解釈手法を実用して頂くことを目的としています。Pythonでゼロから手法を実装することを通じて解釈手法のアルゴリズムを理解し，実データの分析を通じて解釈手法の勘所を押さえて頂きます。機械学習の解釈手法は強力な反面，使い方を誤ると間違った結論を導いてしまう危険もあります。本書では解釈手法を実用する際の注意点についても丁寧に触れています。
ユーザーレビュー
