5月22日に開催された、TechGym主催の「ゼロからはじめるPythonプログラミング入門講座」に参加してきたのでレポートします。とはいえ、そもそもの参加目的がPythonの習得ではなく、テックジム方式という学習メソッドの体験なので、そちらを中心に紹介していきます。

テックジム（TechGym）方式は、基礎知識のないビギナーでも、座学なしの実践先行型でプログラミングを習得できるよう設計された学習メソッドです。その背景について、TechGymのホームページではこのように説明されています。

優れたエンジニアの多くは、職業訓練学校や研修スクールで学ぶような学び方をしません。 作りたいものを作っていたら、自然に習得できているのです。そして、優れた指導者（メンターや師匠）との出会いがエンジニアとしてのプロフェッショナル性を高めます。

TechGym

筆者の経験的にも、大学で初めてプログラミングの授業を受けた際、いきなり基礎知識を詰め込まれ、意味が理解できないだけでなく、楽しいという感覚が得られずに興味を失ってしまった記憶があります。その後、研究室でのAIの開発を通じてようやくプログラミングが楽しくなり、自ら学習するようになりました。

実際の学習の進め方としては、講師が課題を提示し、各自がひたすら自習で課題に取り組むというものです。この講座では「じゃんけんゲーム」を作るというのが課題でした。最初は、限定的な機能をとにかく動作する形にするところから開始し、徐々に機能を追加し、さらにプログラミングの記述を洗練させていく、というステップで進んで行きます。

各ステップでは、予め用意されたサンプルコードに倣いながら、少しずつ開示されるヒントを頼りにプログラミングを作成します。そして、それが動作したことを確認した上で講師からの解説があり、そこでようやく自分が記述したプログラムの正しい意味を理解することになります。この進め方は非常に合理的です。

もくもく会ベースの学習メソッド。

ちなみに、各自の自習形式で行うという点では、もくもく会に近いと言えます。もくもく会とは、カフェやシェアオフィスなどに集まり、各自もくもくと勉強したり作業したり本を読んだりするだけの会のことで、いわゆる勉強会とは違い、各自が主体的に取り組むことで”話を聞いて勉強した気になっただけ”にならないのと、完全な独習とは違い、同じ関心や課題をもった仲間がいることで背中を押されたり、互いに教え合うことで知識を高められるという特徴があります。

テックジム方式がもくもく会と異なるのは、課題と解くという明確な”やること”がある点と、プロの講師やメンターから教えてもらえる点です。すなわち、自発性とプロフェッショナル性を兼ね備えた学習メソッドと言えます。ただし、多くのもくもく会が有志により無料（場所代などの実費を除く）で行われているのに対し、テックジム方式は有料のスクールになります。

ちなみにプログラミングの実行環境としては、今回の対象言語がPythonであったこともあり、Google Colabで行われました。Colabについては「ColabではじめるPython」で詳細を解説していますが、Googleが機械学習の教育や研究のために無償提供しているブラウザUIベースのPython実行環境で、環境構築なしですぐにプログラミングを実践できる優れモノです。Pythonのプログラミング学習はこれだけで十分なので、しばらくはColab一択の状況が続くかと思います。

3月14日に開催された、KCCSモバイルエンジニアリング株式会社主催の「はじめて学ぶビジュアル分析 Tableauハンズオンセミナー」に参加してきたのでレポートします。

Tableauは、言わずと知れたセルフサービスBIのデファクトスタンダードとも言えるBIツールですが、非常に多機能かつ自由度が高いため、使えば使うほど新しい発見があります。また、人から教わることによって機能や使い方の新たな気づきも得られるので、基礎のおさらいも兼ねて、学ぶ機会があればなるべく参加するようにしています。そういうわけで今回も受講してきました。

セミナーの構成は、Tableauの概要や特長の説明のあと、基本的な分析と可視化のハンズオンが一時間程度あり、最後にTableau PrepやAlteryxといったデータ準備ツールの紹介をして終了という形です。

まずTableauの特長がExcelとの比較で示されており、Excelの苦手なポイントとして、集計を行いながら動的にグラフ作成を行うこと、同じようなグラフを大量に作成することの二つを挙げつつ、Tableauはそれを得意としているという説明がなされていました。なお、TableauとExcelの比較については「Tableau vs. Excel どっち？」にまとめているのでそちらも参照ください。

Tableauの分析と可視化のハンズオンでは、以下の基本的な内容が丁寧に説明されていました。

• データの読み込み。※データはサンプルスーパーストア
• ディメンションとメジャーについて。
• カテゴリ・サブカテゴリごとの売上と利益のクロス集計。
• 会計年度でのフィルター。※会計年度のアメリカ式と日本式の違い
• 二軸グラフの作成とリファレンスライン。
• 散布図の作成と傾向線・ハイライター。
• 地図へのマッピング。
• ダッシュボードの作成。

この中で、とりわけ会計年度のアメリカ式と日本式の違いについては、いままで受講したTableauの講座では聞いたことがなかったため、参考になりました。Tableauはアメリカで開発されたツールであるため、アメリカ式を採用しており、注意が必要です。具体的には、たとえば2019年4月から始まる会計年度は、日本式では2019年度となりますが、アメリカでは2020年度となります。

データ分析の80%はデータ準備。

セミナーの最後に、Tableau PrepやAlteryxといったデータ準備ツールの紹介がありました。そもそもデータ準備（Data Preparation）とは、データを分析可能な状態にするための準備プロセスのことで、データのチェックから、結合・変換・クリーニングまでの作業が含まれます。ある調査によると、データ分析の作業時間の80%はデータ準備に費やされており、分析に費やされる時間は20%にすぎないと報告されています。すなわち、データ準備の生産性向上が、データ分析の精度向上に直結することになります。

データ準備ツールは、データの欠損や分布を可視化することでチェックをしやすくしたり、データの結合や変換の処理をGUIベースで行う、いわゆるETLツールの機能を備えたツールです。ETLは、Extract（抽出）、Transform（変換）、Load（格納）の頭文字をとったもので、データウェアハウス（Data Warehouse：DWH）へのデータの集約を、従来はSQLなどのデータ操作プログラムによるスクラッチ開発で行なっていたものを、専門知識なしで行えるようにするために作られたものです。

データ準備ツールはDWHへのデータの集約のプロセスを劇的に改善したものの、近年のビッグデータ化にともない、処理性能や処理速度に問題を抱えるようになっています。Tableau PrepもTableau Createrライセンスがあれば利用可能なデータ準備ツールですが、オンプレミス型であるためマシン環境に依存し、多くの場合はビッグデータ処理には向きません。そこで、GCPのCloud Dataprepや、AWSのGlueなどのフルマネージドなクラウドサービスが登場し、データ準備を手軽に行うことが可能となりつつあります。

そのような状況の中で、Alteryxはオンプレミス型ではあるものの、多くの企業で利用されているデータ準備ツールです。もっともAlteryxは、データ準備から高度な分析や予測の機能までをワンストップで提供する統合分析基盤であるため、データ準備ツールというと語弊がありますが、Tableauとの連携性が高く、データ準備ツールとしての存在感を高めているといえます。Alteryxの詳細については別の記事にて紹介したいと思います。

1月25日に開催された、株式会社GRI主催の「顧客行動を理解するための機械学習 “Forecast Flow”ハンズオン・セミナー」に参加してきたのでレポートします。

Forecast FlowはGRIが開発した機械学習エンジンで、ノンプログラミングで予測モデルの導出ができる点と、導出した予測モデルの解釈に役立つ情報を可視化することで、変数選択や予測モデルの説明をサポートしている点が特長です。

「UXモデリングって？」でも触れたように、ビッグデータによる機械学習には、変数選択と導出された予測モデルの説明の難しさに課題があります。それをTableauによる可視化でモデル解釈と変数選択を支援し、いわゆる特徴量エンジニアリングをやりやすくすることで、少ない変数による高精度な予測モデルを見つけ出すことに主眼を置いているようです。

とはいえ変数選択については、たとえば「直近3ヶ月の購買金額」のような、新しい変数の生成が必要な場合は、つどPythonなりSQLなりでデータ処理しなければならず、すべてのプロセスをノンプログラミングでできるわけではありません。

機械学習のアルゴリズムについては「Kaggleランカーにおなじみのアルゴリズムをベースに最適化」とだけ資料に記載されているので、詳細は不明。またその予測精度についても、後述するハンズオンでもシナリオどおりに追体験しただけなので、実際に使い込んでみないとわかりません。機会があれば使ってみて、結果をレポートしようと思います。

Google Colabでハンズオン。

セミナーの後半はForecast Flowのハンズオンだったのですが、面白かったのはGoogle Colab¹⁾ColabではじめるPythonをベースに実施されたことです。Google Colabは、Jupyter Notebookベースのフルマネージドなクラウド型のPython実行環境で、Googleが機械学習の教育や研究のために無償提供しているものです。

Googleが提供するクラウド型のPython実行環境といえば、Cloud Datalabがあります。こちらもJupyter Notebookベースですが、実行するにはCompute Engineのインスタンスが必要で費用がかかります。一方、Google Colabは無償で利用できます。ただしパブリック領域でプログラム実行やデータ保存がなされるため、秘匿性の高いデータを扱うことはできません。あくまで教育や研究のためのものと考えたほうがよさそうです。

同じく無償かつパブリック領域にデータ保存されるTableau Public²⁾TableauではじめるBIと組み合わせれば、Google Colabで分析してTableau Publicで可視化するという流れを無償で構築できることになります。セミナーやトレーニングで使えそうですね。

Google ColabとTableau Publicの組み合わせについても、機会があれば試してみて、結果をレポートしたいと思います。

最後に、セミナー資料が公開されているのでこちらにシェアしておきます。