ただふれたものについて書くブログ

あんまり正しくない話を適当に書くブログ

1分間マネジャー

1分間マネジャー―何を示し、どう褒め、どう叱るか!

1分間マネジャー―何を示し、どう褒め、どう叱るか!

この本は

マネージャーとして、部下にどのようにコミュニケーションをとるか。 それも、1分間で目標設計、1分間で賞賛、1分間で叱責それを繰り返すだけで 効果が劇的に変わるぞというのを小説風に説明している。

雑感

日々のふりかえり

要は目標設計・ふりかえり(よかったら賞賛、悪かったら叱責)をどんどんやっていき 部下の方向性をそろえていこうというもの。

よければ、その賞賛を感じさせて、悪ければ、それを伝えて内省させて、また次の目標を立てる。

感想

140ページくらいの本。すぐ読める。言っていることは真っ当。 日々のふりかえりをしていくだけ。だけど、この1分に時間をかけないことがどれだけあるか。 意識しているだけでも、有意義な気になれそう。

ヤフーの1on1

ヤフーの1on1―――部下を成長させるコミュニケーションの技法

ヤフーの1on1―――部下を成長させるコミュニケーションの技法

読んだ。

書いてあること

ヤフーがなぜ1on1を広めることになったのか、1on1をどのように活用しているか、 またどのようにマネージャに1on1のやり方を広めていったかを 漫画だったり、対話形式だったり、対談などで色々と紹介している。

雑感

1on1の浸透のさせ方

上司と部下でのコーチング。だけど、その重要性を経営陣を巻き込んで 1on1ができない人はマネージメントに不向きかもしれないというメッセージも送り続け、 管理職の役割は、部下が活躍する場をつくることだ、とはっきり定義を改めたそうだ。

目的をハッキリさせるのは良いことで、 1on1の反対意見で「仕事を増やさないで欲しい」「それやる意味あるんですか?」「話すことがない」というのはよく出てくる話で、 それを経営メッセージとしてトップダウンで落とし込むのは、真っ当。

一度ワークしたら、今度はボトムアップで変化していくという話も真っ当な流れ。

マネージャーの役割が多すぎると運用大変かも

逆に、マネージャーは全員コーチングを理解できていないとダメというは リーダーとマネージャーの役割を分けきれていない組織だと大変に思えた。

研修で0->1 にすることはできても、そこから先の運用で、上に書いた反対意見のようなことが出て来たときが特に大変そう。

そして優先順位が落ちていったり。

感想

導入の動機から研修の仕方などまで網羅しているけれど、さくっと読める。目を通すのには良い。

Pythonでポアソン分布回帰モデルまわりの書き方

pythonで書くのにはどうすれば良いかを確認しながら読んでいる。

ポアソン分布を書く

from scipy.stats import poisson

x = np.arange(0, 20, 1)
for mu in [3.5, 7.7, 15.1]:
    plt.plot(x, poisson.pmf(x, mu), label='{}'.format(mu))
        
plt.legend()   
plt.show()

f:id:taizo_onexone:20180606072927p:plain

ポアソン分布に従ったランダムな値を取得

平均 \lambda=7ポアソン分布に従った値を100個取得する。

import numpy as np
np.random.poisson(lam=7, size=100)

確認

import matplotlib.pyplot as plt
plt.hist(data, bins=15)

f:id:taizo_onexone:20180603235937p:plain

histgramの値を整形して、グラフを作成する

n, bins = np.histogram(data, bins=15)

plt.scatter(x=bins[:-1], y=n, linewidths=1)
plt.plot(bins[:-1], n, linewidth=1, linestyle="dashed")

f:id:taizo_onexone:20180604000707p:plain

最尤推定

グラフ化して、ざっくり最尤推定値がどこになるかをみる

from scipy import stats

l = np.arange(0.1, 20, 0.1)
# stats.poisson.logpmf(): 対数尤度関数
logL = np.array([sum(stats.poisson.logpmf(data, i)) for i in l])

x = np.linspace(0, 20, len(logL))
plt.plot(x, logL)
plt.axvline(x=x[logL.argmax()], color='red', linestyle='dotted')

f:id:taizo_onexone:20180604002532p:plain

\hat{\lambda}=7 に近い値になる。

ポアソン回帰モデル

まずはデータ取得。

生態学データ解析 - 本/データ解析のための統計モデリング入門から。

df = pd.read_csv('http://hosho.ees.hokudai.ac.jp/~kubo/stat/iwanamibook/fig/poisson/data3a.csv')
df.head()
y x f
0 6 8.31 C
1 6 9.44 C
2 6 9.50 C
3 12 9.07 C
4 10 10.16 C

因子型の数値変換

f列は、TかCが埋まっている。

df.f.head()
0    C
1    C
2    C
3    C
4    C
Name: f, dtype: object

Rだと、因子型が文字列でもよろしくやってくれるが、Pythonの場合は変換をする必要がある。 pandas.get_dummies で変換できる

df['f'] = pd.get_dummies(df['f'])['T']
df.f.head()
0    0
1    0
2    0
3    0
4    0
Name: f, dtype: uint8

statsmodels.api.GLM を使う

import statsmodels.api as sm

x = sm.add_constant(df.x)
fit = sm.GLM(df.y, x, family=sm.families.Poisson()).fit()
fit.summary()

f:id:taizo_onexone:20180604075704p:plain:w400

こちらは自動で

statsmodels.formula.api.poisson を使う

import statsmodels.formula.api as smf

fit = smf.poisson("y ~ x", data=df).fit()
fit.summary()

f:id:taizo_onexone:20180604075756p:plain:w400

線形予測子の書き方

それぞれ、書き方がある

線形予測子 smf.poisson のformula statsmodels.api.add_constantのdata
一定 \beta_1 y ~ 1 np.repeat(1, len(df.x))
x \beta_1 + \beta_2 x y ~ x df.x
x + f \beta_1 + \beta_2 x + \beta_3 f y ~ x + f df[['x', 'f']]

AICの取得

statsmodels.api.GLMstatsmodels.formula.api.poisson

result.aic
# 474.7725015397216

参考

AI vs. 教科書が読めない子どもたち

AI vs. 教科書が読めない子どもたち

AI vs. 教科書が読めない子どもたち

読んだ。

  • 「AIが人間の能力を超える、シンギュラリティが近い将来にやって来る」ことはない
    • AIは意味を汲み取るための読解力がついていない
  • ただ基礎的な読解力がない学生がいる
    • 問題の文章を正しく理解できない人たちがいる
  • AIが全てを置き換えることはない。ただ、AIが置き換えられない部分で勝てない人材は置き換わっていくのではないか

AIは思うほどでもないが、人間側の能力がその思うほどもないAI未満である人たちがある程度いるため、 AIに置き換えされる仕事をしていた人と、AIが置き換えできない事をしている人たちとの格差が広がってしまうのではないかという警鐘。

東大合格を目指す東ロボ君を軸に、AI開発の課題や教育の問題など、色々な課題に触れながら説明されているが、最近ブームだったAI、少し世の中の頭が冷えてきたタイミングで、軽いアンチテーゼ的な内容、それに対して著者の人間性が完璧なタイミングで世に出てきた本だと思う。

先日のラジオのゲスト出演の話で概要はわかる。

2月22日(木) 10:00-11:00 - 伊集院光とらじおと

radikoなので期間は限定。

TEDも。

新井紀子: ロボットは大学入試に合格できるか? | TED Talkwww.ted.com

iKnowの連続学習日数記録が途切れた

f:id:taizo_onexone:20180114011409p:plain

毎日少しずつ進めていたiKnowの連続学習日数が407日で途切れた。

iKnowは2007年くらいに始まったサービスで、もともと英語学習サービスだったものが、一度Smart.fmという総合学習サービスになって、またiKnowに戻った経歴がある。

iKnowが始まったときに、あまりのUIの出来に驚いて、そこからずっと少しずつ使っていた。Smart.fmになったときに公開されていたAPIとかも触っていた。企業主催のオフ会にも行った。有料になってからも2年くらいは年会費を払って、もう永久会員代を払ってのんびり利用している。

iKnowは当時からデザインが素晴らしかった。PCとキーボードで英語学習が続くかのアイデアがいっぱいあった。Memory bankという学習タイミングの管理、だいたいの単語には例文が1から3つあり、そのほとんどに画像イメージが用意されていること。連続学習記録、日数と学習時間の管理。当時はそれが無料で提供されていて、なんだこれはってなった。今は、機能が少なくなり、運用モード化している予感もあるが、それでも十分使いやすいと思っている。

408日目を更新するには、2019年になる。やはりちょっとショック。

SING/シング

SING観た。

夢を追いかけて失敗して挑戦して失敗して立ち直って成功するという王道パターン。 動物たちの愛嬌や、最後のライブもツボをおさえていて超安心。

何も考えないで観れる。王道良い。

家計簿アプリをマネーツリーからマネーフォワードに乗り換えた

moneytree.jp

moneyforward.com

数年ほどMoneytreeを使っていたけれども、試しにマネーフォワードを使ってみたらそっちのほうが自分には良さそうだったので乗り換えた。

自分の家計簿アプリの使い方

自分の場合、手入力で管理するものと、自動更新に任せるものの二つにわけている。

  • レシートなどの現金の支払いの管理は iXpenselt
  • Moneytreeでカード連携をして、ざっくり支出の管理

iXpenseltの入力は2009年からしているので、ただ習慣化しているのでなんとなく今もつけている。 何よりアプリのデザインがあまり変更にならないのでちょうどいい。 (1回だけフラットデザイン大リニュアールされたことがあったけど、アップデートで使い勝手が大体元に戻った)

Monetytreeとマネーフォワードの違い

少し検索すればZaim を含めた比較がいっぱい出てくる。

sannji.com

使っている感覚だと、マネーフォワードのほうが細かいデータ収集ができる。Moneytreeのほうが直感的にわかりやすいアプリという印象。 加えてマネーフォワードは分析機能があり、家計診断や未来シミュレーターなど家計から得られる情報が多い(有料だけど)。

逆にマネーフォワードのほうが設定する項目が多いので、ざっくり分かればいいのであればMonetytreeのほうがシンプルな気もする。 今はマネーフォワードの多機能のほうが使いたい機能が多かったので、そちらに乗り換えた。 Moneytreeもとりあえず無料で更新はしておくかもしれない。

地味に家計簿アプリを使っていて面倒なことは、振替だったり、経費精算で支払ったものをどう扱うかの自分ルールを決めておかないといけないところだと思う。そこらへんをよろしくやってくれる家計簿アプリの泥臭さは本当にすごい。世の中、キャッシュレス化やセキュリティとかもっと整備されてもっと便利になって欲しい。