ざっくばらんメモ_9：kaggle, 技術適応力，コラボ重視の仕事スタイル

アンサンブルとresnet regressionを組み合わせるも結果は対して変わらず．

根本的のアプローチが間違っていると思われる．

kernelで公開されている手法では，割りと単純なregression tree系の手法を組み合わせるだけで，ただ組み合わせる時の重み選択はかなり詳細に行われている．

そこで，今まで作ってきたモデルの重み付け和に関して，線形回帰での学習を行っておき，学習した重みを用いてアンサンブルする．

ー結果，微量の改善．しかし順位に対した影響なし

技術は日進月歩であり、それに素早く適応していかなければ自分の能力はすぐに陳腐化してしまう。

しかし適応するには学習コストはどうしてもかかる。

それを削減するにはどうしたらよいのか。

学習コストの中で最も高くつくのは時間である。

時間が経つと学ぼうとしている事自体も陳腐化してしまい、結果として得られる効果も薄れてしまうからである。

では時間を減らすにはどうしたらよいか

１．金で時間を買う

これは外注すると言い換えても良いかもしれない。

学びたい事の本質を見極め、それ以外は賢く外注してしまうのが良い。

２．必要な事だけをやる

１．とも関連するが、目的を常に明確化し、そのために最低限必要な事を見極め、それだけを速やかに行う事が理想である。

しかし必要な事を見極めるのは簡単ではなく、実際はやりながら修正を加えていく事がほとんどになる。

３．評価可能な事をやる

評価可能でない事を目標にしてしまうと、その目標を具体化、細分化する事が難しく、つまり↑の１．２．を行う事も難しくなる。

また目標が達成されたかどうかの見極めも難しい。

ただし数値化にこだわると評価可能な事があまりにも少なくなるのでそこはトレードオフである。

４．リスクを知り、リスクを取る

３．で言う評価可能な事をやるのは実際は難しく、大抵は不明瞭な部分を残したまま進まざるを得なくなる。

そうした不明瞭な最中に素早く決断して前に進んでいく事も大事である。

この時、闇雲にやってしまうと失敗ばかりになってしまうのでここもまたバランスが難しい．

アメリカでは，ほしい人材がいればヘッドハントしていく．

日本ではそれが難しいから，コラボをしようとする．

その場合，相手にもメリットがあり，win-win関係が結べるならばビジネスとして理想的だが，そうでない場合（こっちの方が多い）はこちらからお金を出して協力してもらう．

これは間接的な雇用のようなもの．

しかしお金だけで解決しない利害関係もあるので，契約関係の問題が面倒である．

似たような事は社内の部署間でも起きている．

またアメリカでは必要でなくなった人材は比較的解雇しやすい．

しかし終身雇用の文化が強い日本ではそれは難しい．

それに対して（ジェネラリスト？）教育を社員へ施し，社内外で任意のコラボ（調整）が得意な人材を生み出す事で，上記のスタイルを最大限確立しようとする．

しかしそれに失敗した人材はいわゆる窓際族になってしまう．