今日は，普段どのようにして専門知識を仕入れているかについて書いてみようと思います．特に自分が得意でない分野を知りたいと思った時に，どうするかに注目したいと思います．自分の専門の場合は，いくらでも時間を注ぐことが出来るので，世界中のリソースを全て探し当てて勉強すれば良いのですが，ちょっと興味が有るぐらいではそこまでやる時間は取れません．なので出来るだけ効率的に分かった気になるのが目標です． まず，論文を直接読むのはあまり効率的では無いと思います．論文は広い分野の中の或る問題に対して一つの解決方法を書いているだけで，分野全体を俯瞰することは目指していません．論文だけ読んで分野全体を理解するには，最低50本ぐらい読む必要が有ると思います．

探してみました。ついでに最近の論文のタイトルを眺めて特徴を比較してみました。でもあんまり読めてる自信ないので鵜呑みにしないでください。 Algebra and Logic http://www.springer.com/mathematics/algebra/journal/10469 http://math.nsc.ru/~alglog/ 群・束・普遍代数などがメイン？ロシア語の雑誌の翻訳。 Annals of Pure and Applied Logic http://www.elsevier.com/wps/find/journaldescription.cws_home/505603/description#description モデル理論，再帰理論，集合論，代数的論理。ときどき証明論とか非古典論理を見かける。 Archive for Mathematical Logic htt

追記（2010/3/16） Twitter上にハッシュタグ作りました。質問や相談などにどうぞ。 Twitter：#rmap Twitter：#researchmap 追記（2011年10月23日）：訂正 あと、コミュニティを作ってもらいました。 大学院生友の会　追記（2011年10月23日）：全然盛り上げられていません。すみません。 まとめ 大学院生は以下の理由でみんなResearchmapに登録しよう 自分が何かトラブルに直面したときに相談するためのチャンネルをもう一本確保する。 自分の業績ややっていることをアピールするための履歴書ページを用意する。 他の大学院生の履歴書ページを見て刺激を受ける。 大学を離れた後でも「研究者としての自分」につながるチャンネルを一本用意する。 大学院生や研究者の力を集める必要があるときの基盤としてResearchmapを使いたい なぜ、大学院生はResea

ESOPに来ています。European Symposium on Programming（プログラミングに関する欧州会議）の略で、POPLのヨーロッパ版?みたいな学会です。プログラムはこちら。日本でのリモート仕事が山積みで、全部は無理なので、ちょっとだけ「適当」（＝いい加減）に実況します。 ヨーク大学の寮に泊まっているのだが、ガッガッという鳴き声で起こされて外を見たら、きれいな羽の鴨が道を歩いていた（隣に湖があるから？）。近づいても逃げない。 朝食。目の前にワドラーがいたので、一緒にピッツのいたテーブルへ。ずっと一言もしゃべらない人がいて、一人だけ先に席を立ったので「シャイな人だなー」と思ったら、ちらっと「モッジ」という名札が。ワドラーに聞いたら「あれ、会ったことないの？　だったら紹介したのに。確かにシャイで、みんなでモナドの話をしてても黙ってたりするけど」みたいなことを言われた。 あと、

自然言語処理のときに使う機械学習手法のテクニックをざーっと２時間程度で紹介してほしいとのことだったので今日話してきました。基本的に、そんなに頑張らなくても効果が大きいものを中心に説明（特にパーセプトロンとか）を説明してます。 紹介した手法はパーセプトロン、最大エントロピー、正則化、多クラス分類、系列分類（CRF, Structured Perceptron）などなどです。どれも一かじりする感じで網羅的に見る方を優先してます。個々の詳しい話はそれぞれの文献や実装などを当たってみてください。 スライド [ppt] [pdf] ここで話しているのは線形識別モデルの教師有り学習が中心で教師無し学習（クラスタリングなど）など他の自然言語処理を支える技術は省いてます。 こういうのを使って（使わなくてもいいけど）どんどんアプリケーション作らないといかんね。 Tarot is not used to ma

K-means法は、入力データからK個のランダムな個体を初期クラスタの中心として選択し、以降、クラスタの重心を移動させるステップを繰り返すことでクラスタリングを行う非階層的手法です。K-means法はシンプルで高速ですが、初期値依存が大きいのが弱点で、不適切な初期値選択をすると間違った解に収束してしまいます。 以下は、Introduction to Information Retrievalの16章に出てくる例です。 {d1, d2, ..., d6}をK=2でクラスタリングする場合、{{d1, d2, d4, d5}, {d3, d6}}が大域最適解ですが、初期クラスタの中心をd2, d5で与えると、{{d1, d2, d3}, {d4, d5, d6}}という誤った解に収束してしまいます。 この問題を改善するK-means++という手法を見つけたので、試してみました。 K-means+