読者です 読者をやめる 読者になる 読者になる

無表情で書くブログ

意識低い系ブログ。

Slack代替サービス Microsoft Teams で通知が来ない?通知を受け取るための設定方法

MicrosoftがOffice 365に含まれるひとつのサービスとして「Micosoft Teams」をリリースしました。完全にSlackの競合サービスです。
 
実際に使ってみましたが、通知設定をしているのに通知が来ない。PCのデスクトップ通知もこないし、スマホアプリの通知も来ない。おかしいなーと思って調べたところ、設定方法がわかりました。
 
 
 デスクトップアプリ、スマホアプリともに「設定」の中に「通知」の項目はすぐに見つあると思います。当然これをオンにする必要があります。(ここのやり方は割愛)
 
が、これだけでは来ません。
 
通知が欲しい「チーム」の「チャネル」をフォローする必要があります。
 
 

チャネルをフォローする方法

チャネル名(画像では「一般」)の右にある「…」内の「既定のチャネルに従う」をクリックすると、このチャネルをフォローできます。
 

f:id:ogata08:20170421171323p:plain

 

これで通知を受け取ることができます。

 どうやらFollowを「従う」と誤訳してるようです…英語版を見たら「Follow this Channel」でした。だからわからなかったのか。きっとすぐに修正されることでしょう。 

 

DELL PC「どのデバイスをプラグインしましたか?」の表示を止める方法

f:id:ogata08:20170521061755p:plain

先日、DELL XPS13を購入。使いやすくていい買い物したなと思ってたんですが、イヤホン差すたびに画像のように「どのデバイスプラグインしましたか?」というメッセージが表示されるんですよね。

f:id:ogata08:20170325193416j:plain

 

これがうっとうしかったので、消し方をDELLツイッターアカウント@DellCaresJapanに問い合わせましたら教えてくれました。

 機種、型式?によって違いがあるようで、2つ方法を提示されました。

方法1 「Dell Audio」にて設定変更

①画面右下の通知領域の「^」の中のスピーカーアイコンをクリックします。(スピーカーアイコンがない場合は、スタートボタン>検索タブより「Dell Audio」と検索します)
②「Dell Audio」が表示されましたら、「詳細」タブをクリックします。
③「ジャック情報」をクリックし、「バイスを挿したときのポップアップダイアログを有効にします」のチェックを外します。

しかし私のXPS13には「Dell Audio」というものがありませんでしたので、下の方法で解決。

方法2 Realtek HD オーディオマネージャ」を無効化

①タスクバーを右クリックし、「タスクマネージャー」を起動します。
②「スタートアップ」タブをクリックし、「Realtek HD オーディオマネージャ」を右クリック>無効化をクリックします。
③PCを再起動します。

 

余談ですが、

Twitterアカウントへ質問をしたときに機種別のサービスタグというコードを聞かれ、その確認方法を説明しているURLに飛ばされたんですがよくわからず色々苦労しましたんですが…

後々気づきましたが、本体の裏の蓋をパカっと開けたら書いてありました。

もうひとつ余談ですが、

モニターやプロジェクターを繋げるときのVGAケーブルのポートがなく、MiniDisplayportもないのでPlugableの変換アダプターを買いました。USB (type-C)に差すやつです。問題なく動作したのでシェア。

 

2017年はインダストリークラウドの年になるかも知れない(英文和訳、原文あり)

今回も英訳の練習です。テッククランチの記事をお借りしました。

元記事(Source): Why 2017 will be the year of the industry cloud | TechCrunch

 

Why 2017 will be the year of the industry cloud

2017年はインダストリークラウドの年になるかも知れない

 

https://tctechcrunch2011.files.wordpress.com/2016/12/gettyimages-478007698.jpg?w=738

The year 2016 will go down in the history books as another year of impressive growth in the Enterprise cloud software space — and the numbers prove it.

2016年という年はいずれ歴史の中でエンタープライズクラウドソフトウェアの成長の年と記憶されるだろう。数字がそれを証明している。

  • go down as (後々まで)記憶される、思い出に残る

 

Last year there were 31 cloud software companies that were publicly held and commanded a market capitalization north of $1 billion. Together, they reported average annual revenue growth of nearly 25 percent, and saw their share valuations grow by more than 30 percent, beating the year’s performance of the Dow Jones Industrial Average, the NASDAQ and the S&P 500.

昨年は31のクラウドソフトウェア会社が上場し、時価総額が10億ドルを超えた。同時に、それらの企業の平均年間売上の成長率はおよそ25%、株価は30%以上の成長が見られ、ダウ平均株価やNASDAQS&P 500の年間パフォーマンスを超えた。

  • publickly held 上場
  • market capitalization 時価総額
  • north of 〜を超える

 

And the year just passed was notable for another reason: Cloud companies with businesses aimed at vertical industries became juicy buyout targets for large horizontal software companies. Oracle was a leading buyer, and spent a combined $1.2 billion on two of these industry cloud companies: Opower, which is focused on the energy industry, and Textura, which processes payments for the construction industry.

また2016年は別の理由でも重要だ。特定業界向けビジネスのクラウド企業が、巨大な汎用型ソフトウェア企業にとって、おいしい買収ターゲットになったのだ。 オラクルは代表的な買収企業で、2つのインダストリークラウド企業の買収によって合計12億ドルを費やした。ひとつはOpowerというエネルギー産業に特化している企業、もう一つはTexturaという建設業界の支払処理を行う会社だ。

  • buyout [名]買収

 

https://tctechcrunch2011.files.wordpress.com/2017/02/ic-predictions-image-for-techcrunch-final-e1488234536278.png

In aggregate, deals for industry cloud companies totaled more than $12 billion in 2015 and 2016. We think this buying trend will intensify into a full-blown buying spree in 2017. Here’s one reason why: Traditional acquirers like Oracle, IBM and Salesforce now find themselves in an increasingly crowded field of potential buyers that includes non-software companies attempting to deepen their value proposition within vertical industries.

2015年と2016年をあわせたインダストリークラウド企業の買収額は合計で120億ドルを超えた。この買収トレンドは2017年に更なるお祭り騒ぎへと激化するだろうと考えられる。その理由のひとつが「従来の買い手」であったOracleIBMSalesforceなどが今後、自社の提案価値を特定業界に深めようとしている非ソフトウェア企業などの「潜在的な買い手」との混戦の中にあると考えているからだ。

  • in aggregate 全体で、総計で 
  • intensify [動] 強める、激化する
  • full-blown 満開の、成熟しきった、本格的な
  • spree [名] ばか騒ぎ

 

Some of these buyers will come from outside the traditional confines of software and technology. Consider three deals from 2016: Last year, GE spent $915 million to acquire one of our portfolio investments, ServiceMax, a service cloud platform, and Verizon spent a combined $5.8 billion to acquire two telematics firms, Fleetmatics and Telogis.

このうちいくつかの買い手は、これまでのソフトウェア/テクノロジーの範囲の外側から来るだろう。2016年の3つの買収を考えてみよう。昨年、GEはポートフォリオ投資としてサービスクラウドプラットフォーム会社のServiceMaxの買収に9.15億ドルを費やした。またVerizonは2つのテレマティクス企業FleetmaticsとTelogisの買収に58億ドルを使った。

  • confine [名] 境界、範囲、国境

 

These acquisitions tell us something important: Large diversified industrial and telecom companies have not only realized the value of the industry cloud, but have grasped that they must evolve into technology companies to avoid disruption. That will motivate them to take an aggressive deal-making posture. They can afford to make mistakes in what they choose to buy. What they can’t afford is to lose the leadership positions they’ve built in their historical market segments.

これらの買収は重要なことを示唆している。巨大で多様性のある産業系通信会社はインダストリークラウドの価値に気づいているだけでなく、テクノロジー企業の崩壊を回避させるものだと考えている。だからこそ、彼らはアグレッシブに買収する態勢を取っているのだ。彼らにとって問題なのは、これまでの歴史で築き上げた市場セグメントでのリーダーポジションを失うことだ。

  • grasp [動] つかむ、把握する
  • disruption [名] 崩壊、分裂、混乱
  • posture [名] 姿勢、態度

 

What makes these industry cloud companies so attractive? They’re uniquely well-positioned to capitalize on advances in two areas all of these potential buyers can’t help but consider strategically important: machine learning and the Internet of Things.

何がここまでインダストリークラウド企業を魅力的にするのか。それは、潜在的な買い手にとって自分では手に負えないが戦略上重要だと考える2つのエリアにおいて、先行投資をしていて独自の良いポジションを取っている企業だからだ。その2つのエリアとはマシンラーニングとIoTである。

  • capitalize [動] 投資する

 

With machine learning, industry cloud companies can glean useful patterns from the deep, focused troves of data specific to their chosen vertical industries. Analyzing that data will drive successive new waves of efficiency and automation, reducing operational costs and occasionally pinpointing new sources of revenue. Horizontal SaaS applications, on the other hand, have big, messy data that is unfocused and therefore not as useful in creating tailored insights for these vertical businesses.

インダストリークラウド企業の場合、マシンラーニングによって、その業界に特化して収集したデータの奥底から有用なパターンを見出すことができる。このように集めたデータを分析すつことは、効率化と自動化、運用コストの削減、時には新たな収益の源の発見といった、新たな成功の波を起こすだろう。一方で、汎用業務向けSaaSアプリケーションが持っているデータは巨大で乱雑であり、特定業務にフォーカスされていないため最適な洞察を得るには有用と言えない。

  • glean [動] 拾う、刈り残りを集める、(苦労して少しずつ)収集する
  • troves [名] 発見、収集品
  • messy [形] ちらかった、乱雑な

 

One enormous source of this focused data will come from the millions of new sensors that will be connected to industry cloud networks. In 2017, we’ll begin to understand qualitatively which ones should be connected and which ones shouldn’t, based on the value of the data created. As the costs of connecting remote nodes on the network continues to fall, businesses will be willing to make the necessary investments in order to help them optimize their operations.

この特定業務にフォーカスした巨大なデータのソースは、インダストリークラウドネットワークに接続させるであろう新たな数百もののセンサーから集まるだろう。2017年、どのようなモノは繋がるべきでどれは繋がる必要がないか、生み出されるデータの価値によって、私たちは質的に理解し始めるだろう。そして、リモートネットワークのノードに接続するコストが下がり続けるにつれて、企業はオペレーションの最適化のために必要な投資をしようと考えるだろう。

  • qualitatively [副] 質的に、性質的に 
  • node [名] 結び目、中継点、(ネットワークの)ノード

That will lead to another series of M&A buyout battles, as large tech and telecom giants like Google, Cisco, IBM and Verizon seek to create a dominant IoT cloud. Cisco’s $1.4 billion deal for Jasper Wireless was an early move, and there will be more deals like it, and non-tech suitors will also be in the running.

これは新たなM&A競争を引き起こす。GoogleCiscoIBM、Verizonといった巨大なテクノロジー企業や通信会社が支配的なIoTクラウドを作り出そうとするのに応じて。CiscoによるJasper Wirelessの14億ドルでの買収はその始まりだ。同じような買収が今後も行われ、さらに非テクノロジー企業も競走に加わってくるだろう。

  • dominant [形] 支配的な 
  • suitor [名] 企業買収しようとする会社
  • in the running 競走に加わって

 

Against this backdrop, startups that build businesses aimed at specialized vertical markets will thrive. One area we think will show promise is building applications for deskless workers.

このような状況に対抗して、特定市場に集中したビジネスを築き上げていたスタートアップはさらに成長するだろう。このような流れは、デスクレス・ワーカー向けアプリケーションの市場が有望だと考えられる。

  • backdrop [名] 背景
  • thrive [動] 成長する、反映する
  • show promise 有望である

 

Deskless workers in industries such as healthcare, construction, retail and transportation have so far been neglected by the many recent improvements in enterprise applications. These workers who spend their days on their feet or in the field account for 80 percent of the global work force. Yet spending on applications aimed at this type of worker has historically accounted for only a small fraction of the $250 billion that companies spend on software each year.

ヘルスケア業、建設業、小売業、運送業といったデスクレス・ワーカーは、最近のエンタープライズ向けアプリケーションの改善の恩恵を今のところ受けていない。デスクレス・ワーカーは全世界の労働力の80%を占める。しかし、このようなタイプの労働者向けのアプリケーションへの支出は、歴史的に見ても、年間2,500億円の企業によるソフトウェア関連支出のうちのほんの一部でしかない。

 

One thing these workers have in 2017 that they didn’t have before is an array of increasingly sophisticated and powerful mobile devices: Smartphones, tablets, drones and augmented reality headsets. These devices, and the opportunity to put the useful data they generate in the hands of these workers, will create the market incentives necessary for developers to meaningfully improve these applications.

デスクレス・ワーカーたちが以前は持っていなかったが2017年に手に入れるものとはなにか。それはスマートフォンタブレット、ドローン、ARヘッドセットといった、ますます洗練されて強力になった多様なモバイル端末だ。これらのデバイスと、これを使ってデスクレス・ワーカーの手から生成される有用なデータは、彼ら向けのアプリケーションをデベロッパーに改善しようと思わせるインセンティブを生み出す。

  • an array of 勢揃いの、多様な
  • meaningfully [副] 有意義に、意味深く

 

The end result creates a virtuous cycle that will prove impossible to resist for large companies both inside and outside of the traditional spheres of technology. It will make 2017 the year of the industry cloud.

最終的な結果として好循環が生み出され、そして、従来のテクノロジー業界の内外問わず、巨大企業に対抗するのは不可能であることが証明されるだろう。こうして2017年はインダストリークラウドの年と呼ばれることとなる。

  • virtuous cycle 好循環
  • sphere [名] 球、分野、領域

AI、マシンラーニング、ディープラーニングの違いとは(英文和訳)

https://tr2.cbsistatic.com/hub/i/r/2016/11/14/7b655c8d-b92e-4eff-bca4-d244b1ec7e15/resize/1230x/719a0dc41165b08ec37cf88bfc68a7e0/hires.jpg

英語のリーディングを鍛えるために英語の記事を和訳してみた。訳の正確さは全く保証しません。間違いのご指摘や、より良い和訳のアドバイスなど歓迎です。英語学習者の方がリーディング教材として使ってもらえたら最高です。

 元記事 (Source): Understanding the differences between AI, machine learning, and deep learning - TechRepublic

 

Understanding the differences between AI, machine learning, and deep learning

AI、マシンラーニング、ディープラーニングの違いとは

 


Artificial intelligence, machine learning, and deep learning have become integral for many businesses. But, the terms are often used interchangeably. Here's how to tell them apart.

AI(人工知能)、マシンラーニング(機械学習)、ディープラーニングはビジネスシーンでも不可欠なものになっている。しかし、これらの用語はしばしば取り違えられて使われていることがある。それぞれの違いを解説しよう。

  • integral [形] 不可欠な
  • interchangeably [副] 入れ替えて

 

With huge strides in AI—from advances in the driverless vehicle realm, to mastering games such as poker and Go, to automating customer service interactions—this advanced technology is poised to revolutionize businesses. But the terms AI, machine learning, and deep learning are often used haphazardly and interchangeably, when there are key differences between each type of technology. Here's a guide to the differences between these three tools to help you master machine intelligence.

自動運転の分野からポーカーや囲碁などのゲーム、コールセンターにおけるやり取りの自動化まで、AIの大きな進歩はビジネスに革命を起こそうとしている。しかし、AI、マシンラーニング、ディープラーニングという用語は技術的に重要な違いがあるにも関わらず、入れ替わっていたり、でたらめな使い方をされていることがある。ここではこれらの違いを解説する。

  • stride(s) [名] 進歩、発展
  • realm [名] 領域、分野
  • be poised to 〜する用意ができている、〜する構えだ
  • haphazardly [副] でたらめに

 

Artificial Intelligence (AI)
人工知能(AI)

AI is the broadest way to think about advanced, computer intelligence. In 1956 at the Dartmouth Artificial Intelligence Conference, the technology was described as such: "Every aspect of learning or any other feature of intelligence can in principle be so precisely described that a machine can be made to simulate it.”

コンピューターの知能の進歩を考える上で、AIは最も広範囲なものとなる。1956年にダートマス会議において、AIのテクノロジーに関してこのように説明された。『学習や知能に関するすべての側面は、原理的には機械で模倣可能だと言える』

 

AI can refer to anything from a computer program playing a game of chess, to a voice-recognition system like Amazon's Alexa interpreting and responding to speech. The technology can broadly be categorized into three groups: Narrow AI, artificial general intelligence (AGI), and superintelligent AI.

チェスをプレイするプログラムから、通訳したり会話で返事をしたりできるAmazon Alexaのような音声認識システムまで、AIというと様々なものを引き合いに出すことになる。このテクノロジーは広義では3つのカテゴリーに分けることができる。弱いAI(特化型AI、Narrow AI)、人工汎用知能(AGI)、そしてスーパーインテリジェンス(superintelligent AI)だ。

  • refer [動] 参照する、言及する、引き合いに出す

 

IBM's Deep Blue, which beat chess grand master Garry Kasparov at the game in 1996, or Google DeepMind's AlphaGo, which in 2016 beat Lee Sedol at Go, are examples of narrow AI—AI that is skilled at one specific task. This is different from artificial general intelligence (AGI), which is AI that is considered human-level, and can perform a range of tasks.

IBMのDeep Blue(1996年にチェスのグランドマスターであるGarry Kasparovを倒した)や、Google DeepMind社によるAlphaGo(2016年に囲碁でLee Sedolを倒した)は弱いAI(特化型AI)の一例だ。このAIはある特定の作業が得意である。これは、様々な作業ができて人間レベルの知能と言われる、人工汎用知能(AGI)とは異なるものだ。

 

Superintelligent AI takes things a step further. As Nick Bostrom describes it, this is "an intellect that is much smarter than the best human brains in practically every field, including scientific creativity, general wisdom and social skills." In other words, it's when the machines have outsmarted us.

スーパー・インテリジェンス(Superintelligent AI)は物事をさらに進歩させる。スーパー・インテリジェンスは「科学的な創造性、全体的な知恵、社交能力を含む全ての分野において、人間の最も優れた知能よりはるかに賢い」とNick Bostromは説明しており、すなわち、これは機械が我々を出し抜く瞬間を意味する。

  • intellect [名] 知性
  • outsmart [動] 出し抜く、裏をかく

Machine Learning (ML)
マシンラーニング(機械学習、ML)

Machine learning is one subfield of AI. The core principle here is that machines take data and "learn" for themselves. It's currently the most promising tool in the AI kit for businesses. ML systems can quickly apply knowledge and training from large data sets to excel at facial recognition, speech recognition, object recognition, translation, and many other tasks. Unlike hand-coding a software program with specific instructions to complete a task, ML allows a system to learn to recognize patterns on its own and make predictions.

マシンラーニングはAIの一分野で、その核となる原則は機械がデータを取得して自ら「学習」することだ。MLは今AIの中で最もビジネスへの応用が期待されている。MLは知識や大量のデータセットからの学びを、優れた顔認識、音声認識、物体認識、翻訳など、様々な作業にすばやく適用することができる。

  • excel (at) [動] 冴える、優れる、卓越する

 

While Deep Blue and DeepMind are both types of AI, Deep Blue was rule-based, dependent on programming—so it was not a form of ML. DeepMind, on the other hand, is: It beat the world champion in Go by training itself on a large data set of expert moves.

Deep BlueとDeepMindはいずれもAIの一種であるが、Deep Blueは人によるプログラミングに依存しているルール・ベースAIであり、ML形式ではない。一方で囲碁の世界チャンピオンを倒したDeepMindは、大量のプロ囲碁棋士棋譜データセットによって自らトレーニングする。

 

Is your business interested in integrating machine learning into its strategy? Amazon, Baidu, Google, IBM, Microsoft and others offer machine learning platforms that businesses can use.

あなたの会社は機械学習をビジネス戦略に取り入れることに興味があるだろうか。Amazon、Baidu、GoogleIBMMicrosoftなどはマシンラーニングのプラットフォームを、ビジネスへの活用のために提供している。


Deep Learning
ディープラーニング

Deep learning is a subset of ML. It uses some ML techniques to solve real-world problems by tapping into neural networks that simulate human decision-making. Deep learning can be expensive, and requires massive datasets to train itself on. That's because there are a huge number of parameters that need to be understood by a learning algorithm, which can initially produce a lot of false-positives. For instance, a deep learning algorithm could be instructed to "learn" what a cat looks like. It would take a very massive data set of images for it to understand the very minor details that distinguish a cat from, say, a cheetah or a panther or a fox.

ディープラーニングはMLの一部だ。ディープラーニングは現実世界の問題を解決するために、脳内の意思決定を模倣したニューラルネットワークなどのMLのテクニックを利用している。ディープラーニングは高額になりうる上に、自らを強化するために非常に大きなデータセットを必要とする。その理由は、学習アルゴリズムで理解しなけらばいけないパラーメーターが非常にたくさんあるためだ。そして初めのうちはそれらのパラメーターは多くの誤判定を起こすのだ。例えばディープラーニングアルゴリズムは猫の見た目の「学び方」を教えられる。猫をチーターや黒豹やキツネと区別するための非常にマイナーな詳細まで理解するためには非常に大量の画像のデータセットを使う。

  • tap into 〜を利用する、〜との関係をもつ
  • false-positive 誤判定


As mentioned above, in March 2016, a major AI victory was achieved when DeepMind's AlphaGo program beat world champion Lee Sedol in 4 out of 5 games of Go using deep learning. The way the deep learning system worked was by combining "Monte-Carlo tree search with deep neural networks that have been trained by supervised learning, from human expert games, and by reinforcement learning from games of self-play," according to Google.

前述の通り、2016年5月、DeepMind社のAlphaGoプログラムが囲碁ディープラーニングを使って、世界チャンピオンLee Sedol を5回中4回勝ち越した時、AIの偉大な勝利が達成された。Googleによると、ディープラーニングを機能させる方法は、「人間のプロの対戦を用いた『教師あり学習』で訓練されたディープニューラルネットワークによる『モンテカルロ木探索』と、セルフプレイによる補強」を組み合わせること」だという。

  • reinforcement [名] 強化、増強、補強
  • Monte-Carlo tree search モンテカルロ木探索
  • supervised learning 教師あり学習

 

Deep learning also has business applications. It can take a huge amount of data—millions of images, for example—and recognize certain characteristics. Text-based searches, fraud detection, spam detection, handwriting recognition, image search, speech recognition, Street View detection, and translation are all tasks that can be performed through deep learning. At Google, deep learning networks have replaced many "handcrafted rule-based systems," for instance.

ディープラーニングも使ったビジネスアプリケーションも存在する。それらは非常に大量のデータ、例えば何百万もの画像を使って、特徴を認識することができる。テキスト・ベース検索、詐欺検知、スパム検知、手書き文字認識、画像検索、会話音声認識ストリートビュー検知、翻訳はすべてディープラーニングによって実現しているものだ。例えばGoogleでは、ディープラーニングネットワークは多くの「手作りルールベースシステム」を置き換えられた。

  • fraud [名] 詐欺

 

Deep learning is also highly susceptible to bias. When Google's facial recognition system was initially rolled out, for instance, it tagged many black faces as gorillas. "That's an example of what happens if you have no African American faces in your training set," said Anu Tewary, chief data officer for Mint at Intuit. "If you have no African Americans working on the product. If you have no African Americans testing the product. When your technology encounters African American faces, it's not going to know how to behave."

ディープラーニングは非常にバイアスの影響を受けやすい。例えば、Googleの顔認識システムが公開された当初、非常に多くの黒人の顔をゴリラとタグ付けしてしまった。「これは黒人のアメリカ人の画像がトレーニング用のデータセットなかった場合に起こることの一例だ。」とIntuit社のMintでチーフ・データ・オフィサーを務めるAnu Tewaryは言う。「もし黒人があなたのプロダクトチームで働いてなかった場合、黒人の画像でプロダクトをテストしなかった場合、あなたのテクノロジーは黒人の顔に出会ったとき、どう振る舞ったらよいかわからなくなる」

  • susceptible [形] 影響を受けやすい
  • roll out 公開する、公表する

 

Some also believe that deep learning is overhyped. Sundown AI, for instance, has mastered automated customer interactions using a combination of ML and policy graph algorithms—not deep learning.

人によってはディープラーニングは誇張されているとも考えている。例えば、Sundown AI社は自動カスタマーインタラクションをディープラーニングではなく、マシンラーニングとpolicy graph algorithmsによってマスターした。

  • overhype [動] 誇大広告する

 

『統計学が最強の学問である』を読んだ

2013年に発売した本ですが、
西内啓『統計学が最強の学問である』を最近になって再読したのでメモをしておきます。

統計学が最強の学問である

統計学が最強の学問である

とても刺激的で、わかりやすくて、勉強になる良著でした。

ビジネスにおいて「データに基いて考える」というのはとても大切で、
そのためには統計リテラシーが必要なのかなと。

おそらくビジネスの世界には絶対的な真理というものはなくて、演繹法的な考え方だけではすべてを説明できない。
だからこそ統計学を使って帰納法的に説明することが重要なんだと思う。

ビッグデータというものについて

数年前から注目されている「ビッグデータ」については以下のように書かれている。

データをビッグなまま解析することが、どれだけの価値を生むのかどうか、果たして投資するコストに見合うだけのベネフィットが得られるのかどうか、わかっているのでろうか。(P37)

適切なサンプリングさえすれば、必要な情報を得るためのコストが激減する(中略)にもかかわらず、ビッグデータに関心のあるビジネスマンは、しばしばビッグデータをビッグなままで扱うことにしか目が行かないのだ。
(P47)

「まず正しい判断に必要な最小十分のデータを扱うこと」
(P54)

ビッグデータ」に関する技術は確かに素晴らしい技術革新の賜物で、それで得られるものは大きい。
でも実際、それほどすべての人にとってビッグデータ分析というのは必要にはならないのではないか。


一定のサンプル数を超えると、それ以上集めても標準誤差はあまり変わらなくなる。つまりスモールデータ(サンプル)を統計的に分析するだけで、ビッグデータ(全数)を分析するのと大きく変わらない結果が得られることは十分あるという。
大金を投じてまで、その小さな誤差を埋める必要があなたに(あなたの会社に)あるのか?ということ。


あくまで統計学に興味を持つ入り口としての入門書という感じで、実際にデータを扱って統計を取るにはより専門的な本で学ぶ必要があるのかも知れないが、読み物としては十分、というかとても面白い。

Apple Music、iOS8.4、iTunes12.2で困ってることまとめ(追記)

f:id:ogata08:20150707232536j:plain
iOS 8.4 および iTunes 12.2にアップデートし、Apple Musicを使い始めて数日。サービスとしては凄いけど、UIは使いにくいところが多くて正直、改悪ではという感じ。
ということで、いまだに困っていて未解決の問題、不便なこと、改善要求みたいなものを羅列した。

解決方法があるならば知りたいし、ないならば次回のアップデートで改善されることを期待する。
解決したものも下に書いておくので、同じく困ってる人は参考にしてほしい。


困っていること(未解決)

iCloudミュージックライブラリ経由で同期する場合、iPhoneに入れたくないプレイリストを選択できない。(すべて同期されてしまう)オフライン再生の可否は選べるけど、非表示にはできない。
 ※iCloudミュージックライブラリを使わなければ、以前と同様に選択的に同期できる方法はわかったんですけどね。

iCloudミュージックライブラリをオンにしていると、iPhone上の曲のアルバムアートワークが勝手に置き換わってしまうことがある。

iCloudミュージックライブラリをオンにしていると、iPhone上の曲のアルファベットのアーティスト名が勝手にカタカナに置き換わってしまうことがある。

iPhoneの「マイミュージック」の上部に表示される「最近追加した項目」の表示が邪魔。

・別のアルバムに同じ曲が収録されていて、それぞれのアルバムをダウンロードしようとした際、後からダウンロードしたアルバムのほうでその重複する曲が読み込まれない。

Apple Musicからダウンロードし、オフライン再生可能にしたはずの曲が、いつの間にか消えていることがある。 ※2015/8/3追記

Apple Musicで扱われていない曲がiPhoneに転送できない。※2015.8.18追記




困っていたこと(解決済)

iCloudミュージックライブラリをオンにしていると、iPhone上の曲のアーティスト写真が別のアーティストに置き換わってしまうことがある。(特に邦楽アーティストで頻発)

→iOS8.4.1とiTunes12.2.2というアップデートによって解決。アップデート後、アートワークがおかしかったアーティストの曲をいったんダウンロード削除し、再度ダウンロード(オフライン再生を可能にする)を選択したら直った。※2015.8.18追記


iTunesで作成したプレイリストをiPhoneに同期しても、すでにiPhone内にある曲しか表示されない。そのため一曲一曲Apple Musicから探してきてダウンロードしないといけない。

→「マイミュージック」内の「アーティスト v」(または「アルバム v」など)を押し、「オフライン再生可能な項目」をオフにすれば解決。未ダウンロードの曲も表示されるので、その状態でプレイリスト全体を「オフラインで再生可能にする」を押せばよい。


iCloudミュージックライブラリを使い始めた時の、iTunesのライブラリのアップロードに時間がかかりすぎて終わらない。

→解決というか、これはもう待つしかないし、実際アップロードが終われば、色々と起きていた問題も解決して快適になったので、待つことをおすすめする。
ちなみに自分はiTunesに7,600曲くらい入っていて、36時間くらいPCを放置したら終わってた。




ogata08.hateblo.jp
ogata08.hateblo.jp


ミニマリスト的音楽生活を実践する3ステップを考える

Apple Musicの登場でまた人びとの音楽ライフに変化が起こる予感がしております。
僕としては定額で音楽聞き放題と言われると確かに便利だし安すぎるんだけど、なにかモヤモヤする。これまでお金かけて集めた音楽たちは一体なんだったのかと。

一曲一曲を大事に聴くという気持ちが一気に薄れて、音楽を聴き捨てる感じ。それにストリーミング再生は所有欲が満たされない…。これは価値観の問題か。
しばらく、Apple Musicとの付き合い方を模索することになりそうだなと思ってます。


ということで今日は「音楽生活における断捨離」というテーマ。

いま僕のiTunesには 7,600曲の音楽が入っていて、少し前までは64GBのiPhoneに入れられるだけ(5,000曲くらい)入れてました。
でも実際に普段から5,000曲の音楽を聴くことはあるはずもなく、シャッフルで聴いていると知らない曲が流れてくることも多かった。
それはそれで、隠れた名曲との遭遇があって楽しいんだけどなんか音楽を消費してる感じというか、もったいないなと思ったんですね。

そこで昨今の流行よろしく、断捨離を敢行してみた。


やったこと1:特に好きなアルバムだけをiPhoneに入れる

まず全ての曲を消し、本当に好きな(好きだと思ってる)アルバムだけ追加。目安は1,000曲以内にした。
※5,000曲スタートで消去法だとどうしても「また聴きたくなるかも…」と思ってたくさん残ってしまうので、0から増やしていくほうが結果的に良かった。

やったこと2:音楽を聴きながらレート付け

その1,000曲を聴きながら、5つ星のレートをつけていく。なんとなく好きだと思っていたアルバムも平均レートが★3つだったりすることに気づいたり、意外と捨て曲がなく高得点なアルバムが見つかったりして面白かった。

それで基本的に平均レートが★5つのアルバムだけをiPhoneに残して他はまた消していく。
(一部スルメ的なアルバムもあるので平均★4でも生き残らせたものはある)

同時に消したときは、代わりに別のアルバムを繰り上げてiPhone投入して再びそれをレーティングする。

これを繰り返して、現時点で残ったアルバムが約90枚、曲数で約1,500曲になった。

ただし、その時の気分によってレートは変動するし、定期的に入れ替え戦を行ってメンテナンスが必要だと思う。

やったこと3:アルバム全体の評価は低めだが、その中でも好きな曲を救済する。

人生のマイベスト100」というプレイリストを作る。

iTunesのライブラリ全体から、レートの高い順にソートして★5つの曲をぶち込む。そこから削って削ってベスト100を選定した。
これで何回でも繰り返し聴きたいプレイリストの完成。

この作業はなかなか楽しかった。
これも定期的に入れ替え戦を行ってメンテナンスが必要。

結果

残った音楽は何回でも聴きたい好きなアルバムと、ベスト100のプレイリストのみ。
これだけあれば気分によって十分聴く音楽を選べるし、音楽と更に密な関係になれた気がした。
もちろん人によっては更に追い込んで曲数を絞れると思う。

常にアルバム一枚しか入ってないというのも面白いかも知れない。