大学院で研究じゃなくて社会人になって正解だと思った一年だった 一年振り返り
今年の振り返り(というか意見の羅列)および12月の振り返りをしようと思う。
大学院行こうかなぁ。社会人になろうかなぁ。とか色々考えている人の参考になったら良いな。
ただし、完全に個人的意見なので、頭いい人にちゃんと相談するのが一番いいけどね。
大学院で研究ではなく社会人になって良かったと思った一年だった
理由は以下
1.大学院行かなくても自分で勉強できる。(特に理論系)目的によってはむしろ効率が良いこともありそう。
2.アカデミックの世界で重要視されていることと実務(ビジネス)の世界で重要視されていることは違う
3.アカデミックの世界で活躍できなくても、ビジネスの世界で活躍する方法はありそう
の3点です。
大学院行かなくても勉強できる。目的によっては研究室よりも効率良い
まず、一つ目
大学院行かなくても勉強できるっしょ
という話は、実験系とかものすごく高い器具やソフト使わないと無理。
とかでなければ全部自分でできます。
もしかすると、私がいた研究室が特殊だったのかもしれませんが、
量子コンピューターの理論系の研究室だったので、
「そもそも量子コンピュータないし実験できるわけねぇw」
という背景もあり、すべて理論なので、各自勝手に好きな時間に好きな場所で勉強する。各自が何やっているかも知らない。
という状況でした。(つまりほぼほぼ独学)
別に研究室来なくても良いので、スタバでやっても、インターン先の会社のデスクでやっても、家でもどこでもOKでした。
まあなんで、むしろ社会人になってからも独学しても状況が変わらなかったわけですね。
社会人になって変わったのは、時間の感覚に敏感になったこと。
なぜなら自由な時間が少ないから。
どんなに優良な企業でも一日8時間×5日は拘束されると思いますし、休憩時間と通勤時間も入れたら一日最低10時間は拘束されるでしょう。
学生時代はこの一日最低10時間の拘束がなかったので、めっちゃだらだらしてました。笑
(そもそも本当にすごい人とか、研究者を目指す!と思って進んでいる人はこんなことないんですけどね)
社会人になると、だらだら勉強することもなく、朝家出る前と通勤時、帰ってからちょろっと、および週末でめちゃめちゃ集中して勉強というルーティンができましたので、非常に効率的でした。
あと、論文とかに落とし込む必要性がないから、必要性があるものだけかいつまんで学ぶこともできる。
というメリットも大きかったと思います。
アカデミックの世界とビジネスの世界で求められることは違う
所詮学部卒なので、お前アカデミックのことなんもしらないだろ!ということはあるのですが、周りの友人達は修士卒業やPhD課程にいるやつもいるので、なんとなく把握しているつもりです。
くそざっくり言うと、
アカデミックだと基本「なんか新しいことやんなきゃいけない」と思います。
じゃないと論文とか研究にならないので。
あと「めっちゃ厳密じゃないとだめ」ってのもあります。
対してビジネスは
「あるビジネス上の課題を解決すれば、別に手段は新しくなくても全然OK」で、「100%正解じゃなくても80%くらい正解でもうまくいけばいいよ」という考え方があります。
前者の「別に手段は新しくなくていいよ」
という点は特に大きく、すでにアカデミックの世界では当たり前だったり、色々な事例があるような理論をあてはめてビジネス問題を解けばそれでOK
です。
また、厳密に正解しなくても、現状より良くなればOK なので、そこまでハードルが高くないのが現状です。
構図としては、
アカデミック:ある特定の分野について誰よりも詳しく誰よりも深く
ビジネス:他の人より詳しくて、今を改善すればOK
となりそうです。ですので、おもったよりも深掘りしなくても適用できればいいんだな
って感じになります。
例えば統計的仮説検定とかで、
なんで、t分布に従うのか?F分布従うのか。それぞれの確率分布はどのような理論的背景から導き出されたのか。情報量基準っていつでもAICで本当によいの?
とか理論系の研究室で聞かれそうなことは、
「基本みんなそれでやってるんで」って感じの答えでOKになるわけです(極端な話ですが)
なので、そこまで極める必要性がないのが現状です。
※もちろん基礎研究をやっているところとかは違いますが。
アカデミックでは花が開かなくても、ビジネスでは花開く人はいると思う
上記の理由から、アカデミックでは
「くそ厳密に、くそ深く」が求められがちです。
ですが、ビジネスでは
「そもそもどの課題があるかを発見する」
だったり
「今まで周りの人が知らなかった方法で現状よりも改善する」
というスキルがあれば重宝されるわけです。
一つ目の能力については、どうすればよいかというと、
私はわかりません!!!!(ってか教えて)
今勉強中です。
二つ目の周りのやつに勝つ
に関しては、
「特殊になれば良い」
だと思っています。
だって周りに勝てばいいんだから、それは相対的に特殊になることだから。
私が現在行っているアプローチは、古くから知られている手法ですが、
「掛け合わせる」
です。
私は、
マーケ×データサイエンス
を目指しています。
マーケができる人はたくさんいる。それはレッドオーシャン
データサイエンスができる人もいる。大抵数学がめっちゃできる。
でも両方できる人はたぶんあんまいない。(自社調べ)
掛け合わせると、そこそこ特殊×そこそこ特殊=めっちゃ特殊 となるわけなので、他のやつに勝てる唯一無二の存在になる可能性が高くなると思うのです。
ただし、これは本当にそうなるかはわからないし、うまくいかないかもしれないので、私が実際にやってみて、この道を開拓したいと思っています。笑
はやく唯一無二の存在になって、
「天上天下唯我独尊なう」
ってつぶやきたいですね。(アフリカあたりで)
以下いつも通りの記録
12月振り返り
いつも通り12月に勉強したのを列挙
データサイエンス関連
Udacity Nanodegreeを引き続き
NanodegreeのSyllabusにはIntro to CSのLesson4まででOKと書いてったのですが、
Intro to Data AnalysisのPythonレベルがおもったよりも俄然高く、結局Intro to CSのLesson 5-7もやることに。
なぜなら、辞書とかLesson4までではやっていなかったのに、Intro to Data Analysisではバリバリ出てくるためw
Intro to Data Analysis
というわけでIntro to CSの最後のほうを引き続きやっているわけですが、それでもIntro to Data Analysisのクイズを独力で解ける気はしないので、写経状態になりそう。
色々ググったら、
が非常に良いらしい
というのを見てやってみようかなぁと考えてもいる。けど、どうしたらプログラミングを習得するのに効率良いのかよくわからないので、検討中。
(しかもPython3だし)
あと引き続き以下もやっている。
そろそろRで実装もしようかな
その他 本
分散読みしすぎて全然読み切れていないけど、これは読んだ
おすすめ度:5
仕事帰りの電車の中とかで読める感じ。脳の容量を使わない。
そして面白い。面白いこと考える人だな って思う。
今回は以上!
本読んでない!すくない!
来年は夏頃までにDeep Learningとかで筋電位からロボットアーム作る装置とか、
自動運転ロボット(ルンバ的なやつ)とか作ってみたいですなぁ。
最終的にはやっぱりアイアンマン!
来年もどうぞよろしくお願いいたします。