Asking AI “Why Are You Quitting?” — My First Solo Machine Learning Challenge [Intro to ML #6]
In my previous post (Intro to ML #5), I covered regression — using machine learning to predict conti […]
TAG
MBA
「いくら？」を予測する——分類と回帰、機械学習のもうひとつの顔【機械学習入門⑤】
前回の記事（機械学習入門④）では、しきい値の設定とリコール・プレシジョンのトレードオフについて書いた。 ①〜④まで扱ってきた「タイタニック」や「ソーシャルレンディング」の例は、すべて「する／しない」「 […]
Predicting “How Much?” — Machine Learning Beyond Classification [Intro to ML #5]
In my previous post (Intro to ML #4), I wrote about thresholds, the recall-precision tradeoff, and w […]
「しきい値」が変えるビジネス判断——機械学習を実際に使ってみた【機械学習入門④】
前回の記事（機械学習入門③）では、正解率の落とし穴、混同行列、AUCについて書いた。 今回はその続き。モデルを評価できるようになった後に待っているのが、「では実際にどう使うのか」という問いだ。ここが機 […]
The Threshold Decision: How Machine Learning Actually Changes Business Outcomes [Intro to ML #4]
In my previous post (Intro to ML #3), I covered confusion matrices, AUC, and why accuracy alone is a […]
Why a 99% Accurate Model Can Be Completely Useless [Intro to ML #3]
In my previous post (Intro to ML #2), I wrote about the unglamorous reality of data prep — missing v […]
「正解率99%」のモデルが使えない理由【機械学習入門③】
前回の記事（機械学習入門②）では、データを整えることの難しさ——欠損値・データリーケージ・特徴量エンジニアリングについて書いた。 今回はその続き。モデルを作った後の話だ。「良いモデル」とは何か、どうや […]
機械学習、モデルより先に「データ整備」が9割だった【機械学習入門②】
前回の記事（機械学習入門①）では、AI・機械学習・ディープラーニングの違いや、「機械学習の本質は予測に過ぎない」という話を書いた。 今回はその続き。実際にデータを使って予測モデルを作る演習に取り組んで […]
Machine Learning: It’s 90% Data Prep Before You Even Build a Model [Intro to ML #2]
In my previous post (Intro to ML #1), I wrote about the difference between AI, machine learning, and […]
MBA解説 サービスマネジメント：「サービス業は気合と根性」とかまだ言ってるの？
Executive Summary.【サービス・マネジメントの本質：利益を最大化する科学的設計図】 サービスの4特性（IHIP）への対処：無形性、同時性、消滅性、変動性というサービス特有の「扱いにくさ […]