MetaForecaster |メタフォーキャスター @metaforecaster

New: A map of the most important skills in AI Engineering. x.com/i/article/2088…

8/20に発売する自著『LLM・AIエージェントシステムベストプラクティス』について『AIの全盛期にAIの本を書く』というブログを書きました。 note.com/cvusk/n/n2dfa4…

数理最適化を「60分で全体像を掴みたい」人向けの神スライドです。 
数理最適化の基本枠組み（連続・離散）から代表的なアルゴリズムまでを、60分で体系的に俯瞰できる入門資料。 
・線形計画（単体法・内点法）、非線形計画（最急降下・ニュートン・SQPなど）、組合せ最適化（貪欲法・動的計画・分枝限定・メタヒューリスティクス）の仕組みと使い分け
・野菜ジュース製造などの具体的な定式化例と、産業別の応用シーン（配送・スケジューリング・資源割当など）
・「効率的に解ける問題」と「計算困難な問題」の違いと、近似・発明的解法の考え方 この資料を通じて他にどのような事や使い方ができるのか
問題を数理モデルとして定式化し、適切なアルゴリズムを選択する視点が身につき、実務の最適化プロジェクトや機械学習のHPO・資源配分にも応用しやすくなります。 
双対などの高度概念を意図的に省略しつつ「全体像を60分で腹落ちさせる」構成が秀逸で、入門から次の学習への橋渡しとして他に類を見ない実践的な完成度。 speakerdeck.com/umepon/mathema…

From Prediction to Understanding: Causal Discovery for Data Science and AI Applications EcoSta2026 speakerdeck.com/sshimizu2006/f…

【日本の研究力低下、問題は「研究費の額」だけではない】 JVL | 8.8 NISTEPの「科学技術指標2026」によれば、日本の研究開発費は世界3位、研究者数も3位と、投入規模では依然として科学技術大国の位置にある。一方、総論文数は世界5位、引用数で各分野上位10％に入る「注目論文」は4年連続13位。2000年代前半には4位だったことを考えれば、相対的な研究力低下は明確である。 重要なのは、「予算を増やせば元に戻る」という単純な問題ではないことだ。日本では長年、若手研究者の不安定な雇用、博士課程進学の魅力低下、大学教員の事務負担増加による研究時間の減少、国際的な研究者流動性の弱さなどが積み重なってきた。また、「選択と集中」が短期的成果を求めすぎ、基礎研究の裾野を細らせたとの批判も根強い。 もっとも、研究開発費や博士課程入学者は近年増加しており、政策効果には数年単位の時間差がある。今後、研究時間の確保、若手の安定雇用、海外研究者を呼び込める待遇、国際共同研究への投資が伴えば、一定の回復余地はある。ただし中国、韓国、インドなどの伸びも速く、日本だけが立ち止まって待っても順位は戻らない。 科学技術への関心が高い人ほど偽・誤情報を検証する傾向が強いという調査結果も重要だ。科学政策は産業競争力だけでなく、社会全体の情報判断能力を支える国家基盤でもある。 #科学技術 #研究力 #NISTEP #大学政策 #研究開発 #基礎研究 #科学リテラシー #JVL

産経ニュース @Sankei_news

a week ago

日本の注目論文数は世界13位、研究力強化が急務　科学技術に関心高いと偽・誤情報に耐性 sankei.com/article/202608… 中国は研究開発費で初めて米国を上回り、研究者数とともに1位となった。20年前に注目度が高い論文数が4位だった日本は、研究力の強化が急務となっている。

64 155 441 148K 63

The companion website for the 3rd edition of Machine Learning for Trading is now live at ml4trading.io. The book launches in June. The 3rd edition is a ground-up rewrite — 27 chapters (up from 23), 9 end-to-end case studies across 7 asset classes, and 5 production Python libraries for the full workflow from data acquisition to live trading. What's new in this edition: - Six new chapters covering generative AI, autonomous agents, causal inference, and production deployment systems - 50+ agent skills with built-in guardrails against lookahead bias, data leakage, and multiple testing errors - A live Agent Lab where AI agents generate forecasts and surface market insights in real time - 100+ primer articles covering ML, statistics, and quantitative finance foundations - 400+ runnable notebooks and complete strategy implementations The website provides structured chapter and section summaries, documentation for all five libraries, the full primer collection, and case studies you can explore by asset class. If you work in quantitative finance, data science, or algorithmic trading — or if you're looking to move into the space — I'd appreciate it if you could take a look and share your thoughts.

非ガウス性と非線形性を活かした統計的因果探索（LiNGAM中心）の理論・アルゴリズム・実装・応用を、体系的に学べます。 ・LiNGAMの基本モデルと、非ガウス誤差の独立性を利用した因果方向の識別性
・DirectLiNGAMなどの推定アルゴリズム、Pythonパッケージ、信頼性評価（ブートストラップ）
・未観測共通原因・非線形関係・時系列・潜在因子への拡張手法と具体的な適用事例 これ通じて、疫学・経済学・金融・神経科学などの実データ分析や、AI説明性・因果デジタルツイン・LLMとの統合にもそのまま応用できます。 LiNGAMの提案者自身が最新の拡張まで丁寧に解説しており、理論の厳密さと実務パッケージ・事例のバランスが他資料を圧倒する実践度の高さが突出しています。 speakerdeck.com/sshimizu2006/f…

ぶっちゃけ人生は「運」なんだけど、科学的に運をつかむ方法があることは知っておいた方がいい。スタンフォード大学のクランボルツ博士が提唱した「計画的偶発性理論」では、キャリアの大部分は予期せぬ偶然によって形づくられると考える。だから大切なのは、完璧な人生設計ではなく「偶然が起きる場所」に自分を置くこと。具体的には①好奇心を持つ②行動を続ける③柔軟に方向転換する④楽観的に捉える⑤リスクを取る。この5つ。運がいい人は、ただラッキーなのではない。人に会い、誘いに乗り、未知の場所に行き、打席に立つ回数が多い。運はコントロールできない。でも「運に遭遇する確率」は上げられる。

虚無 @nerd_man_404

2 weeks ago

ぶっちゃけ人生は運ゲーだし異論は認めない 理由は人生は努力ゲーとか言ってる人が明日朝起きたら急に指定難病に罹患して人生崩壊したら同じこと言えなさそうだから

295 3K 39K 3.6M 2K

本日の関東Kaggler会のLT発表資料です。#kanto_kaggler 枯れた技術であるジョブスケジューラをCoding Agent組み合わせると、大量の並列化やリソース管理が可能になるという紹介です👇️ speakerdeck.com/yuyamaguchi/ka…

因果探索の発展と展望 統計サマーセミナー2026 speakerdeck.com/sshimizu2006/y…

子育てなどで時間が極端に限られた状況でも、AI Agentを相棒にKaggleを効率的に進める実践的な方法を学べます。 　
・Discord経由でスマホからAI Agentに指示を出し、定期実行タスクでKaggle DiscussionのHot Topicを毎日自動要約・通知させる仕組み
・Agent依存で実験が散らかる副作用を防ぐ「仕様駆動開発」（CLAUDE.md・ステアリングドキュメント・永続ドキュメントの3層構造）
・実験フォルダを「requirements / design / tasklist」で構造化し、ベースラインから補助Loss追加までを再現可能に管理するワークフロー 
日常の雑務や情報収集をAgentに任せて「考える時間」を確保したり、他の個人開発・研究でも同じ仕様駆動のドキュメント設計をそのまま流用できます。 
抽象的なAgent活用論ではなく「実際にパパKagglerが子育て中に回したリアルな運用例」と、失敗（vibe codingの副作用）から学んだ具体的なドキュメントテンプレートまで公開されている実践度の高い資料です。 speakerdeck.com/508shuto/aiage…

東大松尾研の「AIエンジニアリング実践」講座の教材が GitHubで無料公開されてる。 ・AIエンジニアリング概論とAIコーディング ・AIシステムの問題設定と評価設計 ・データ・ログ設計と評価基盤 ・RAGのデータ基盤（取り込み・検索・更新） ・MLOpsとライフサイクル管理 ・クラウドへのデプロイとスケーリング ・LLM-as-a-Judgeと回帰テスト ・セキュリティとプライバシー ・AIエージェントとワークフロー設計 「モデルを作る」ではなく「AIシステムを回し続ける」側の知識がまとまってる教材。 github.com/matsuolab/lect…

keyboard_arrow_left Previous keyboard_arrow_right Next

マルチエージェントに関する論文を40本再実装してみて分かったこと qiita.com/Koukyosyumei/i… #Qiita

今日のKaggleチュートリアル第7版LT会の発表資料です！ speakerdeck.com/kohecchi/20260…

全部門で成約率が改善したのに、全社の成約率は下がっていた。経営会議でこの数字が並ぶと集計ミスを疑いたくなりますが、これは正しい計算どうしが普通に両立する現象で、シンプソンのパラドックスという名前が付いています。 からくりは重みの移動です。全社の成約率は各部門の率の単純平均ではなく、案件数で重み付けした加重平均になっている。だから各部門の率が上がっても、率の低い部門へ案件の構成比が移れば、全体は下がりえます。1970年代のバークレー大学院の入試データが有名で、全体では女性の合格率が低く見えたのに、学科ごとに見ると多くの学科でむしろ女性の方が高かった。競争率の高い学科に女性の出願が集中していたという構成の偏りが、集計の向きを反転させていました。 これが実務で怖いのは、どちらの数字も嘘ではないことです。分ければ改善、まとめれば悪化。どちらを信じるかは算術では決まらず、交絡している変数は何か、意思決定の単位はどこかという因果の問いに戻るしかありません。ダッシュボードの集計粒度を一段変えるだけで結論が反転しうると知っている人は、数字に説得される前に数字の作られ方を確認します。KPIを読む力とは、つまるところ分母への感度のことだと思う。

【Kaggleは「○○」に役立つ】 Kaggle Competitions Masterが日立での業務推進・社会人博士早期修了・著書出版まで到達した道のりを語る第3回。「Kaggleで得られるのはモデルを作る力だけではない」という言葉が刺さる。 💡 Kaggleの本質 CVとLBの関係を設計し、リークを疑い、失敗の原因を切り分ける この短いサイクルの繰り返しが実務のAI活用に直接つながる 🔬 社会人博士を2.5年で早期修了 仮説→実装→検証→改善のサイクルはKaggleも研究も同じ 業務と両立しながら早期修了できたのはKaggleで身についた力があってこそ 📚 著書「マテリアルズ・インフォマティクス実践ハンドブック」 多様なコンペで得た引き出しが「モデルの使い方」より「設計思想」を語る礎になった 「最初からメダルを狙わなくていい」——この言葉で始まりたい人がいるはずだ。 🔗 thinkit.co.jp/article/39307 #Kaggle #データサイエンス #機械学習 #キャリア

データサイエンティストという職種は、きれいな分析をする人というより、汚い現実を数字で整理する人に近いと思っています。教科書では目的変数も説明変数もきれいに定義されていますが、現場ではそこから怪しい。何を売上と呼ぶのか、何をアクティブユーザーと呼ぶのか、どの時点のデータを見るのかで結果が変わります。 しかも、数字は一度作って終わりではありません。毎週同じ定義で出せるか。部署が変わっても説明できるか。異常値が出たときに原因を追えるか。ダッシュボードを見た人が、誤解せずに判断できるか。こういう部分まで考えると、分析はかなり設計の仕事になります。 だから「Pythonが書けます」「モデルを作れます」だけで安心しない方がいい。もちろんそれは必要です。ただ、実務で信頼される人は、数字の定義、データの流れ、説明の仕方まで持っています。分析力は、手法の知識だけでなく、現実を壊さずに扱う力でもある。ここを見ている会社は多いです。

分析コンペや教材ではCSVを読み込んで、前処理して、モデルを作ればひとまず形になります。だからデータ職を目指す人がPythonや統計に時間を使うのは自然ですし、そこを飛ばしていいとはまったく思いません。むしろ数式とSQLから逃げる人は、後でかなり苦しくなると思います。 ただ、会社の仕事になると話が変わります。データは誰かのPCにきれいに置かれているわけではなく、販売管理、広告、会計、CRM、ログ基盤などに分かれていて、権限も更新頻度も違う。そこで必要になるのがクラウド上の保存場所、DWH、権限、実行スケジュール、ログ、コスト管理です。ここを知らないまま分析だけ語ると、現場から見ると少し危ういんですよね。 経営側が見たいのは、精度の高いモデルだけではありません。来月も同じ条件で動くのか、担当者が変わっても直せるのか、個人情報を扱う時に誰が見たか残るのか、止まった時に復旧できるのか。データ職として単価を上げたいなら、分析結果を出す人から、会社の判断に耐える仕組みに近づく必要があると思います。

データサイエンスを勉強している人ほど、クラウドをインフラ担当の領域だと思いすぎない方がいいです。サーバを立てる専門家になれという話ではありません。けれど、自分の分析がどこからデータを取り、どこに結果を置き、誰がアクセスできるのかを説明できないなら、実務ではかなり弱い。 2010年代前半は、手元の集計やBIで価値が出る場面も多かったです。データを集めてグラフにするだけでも、意思決定が前に進んだ時代があった。でも今は、生成AIで分析案やコードの初稿はすぐ出ます。すると差がつくのは、手法名を知っているかではなく、その処理を会社の業務の中で安全に回せるかに移ってきている。 クラウドを学ぶ意味は、AWSのサービス名を暗記することではないです。保存、変換、実行、監視、権限、費用。この一連のつながりを持っておくこと。ここまで見えてくると、分析は単発の作業ではなく、経営の判断材料を継続的に作る仕事になる。ここを避けるのは、かなりもったいないと思います。

「AIがSQLを書いてくれる」で終わらせない − 分析基盤の育て方 zenn.dev/tribeau/articl…