常ズレ草

なんでも屋。備忘録のため読ませる気ゼロ。

対策本を使わない就活

〜就活本を読まない。ES対策もしない。思ったことを言うだけの就職活動〜

 

 少子化に伴い継続的な就活バブル的なものが発生していて、生まれた年にひたすら感謝ですね。そんな中、就職活動のやり方が増えたので、既出かとは思いますがメモがてら就活に関する記事を大変雑に書きます。対象は、中堅国公立・私立大学生ですが、特定分野に対して強みを持っている ー例えば、プログラミングスキルなどー のであれば、問題ないと思います。

 

 
  1. ロジックの勉強
  2. 逆求人型就活サイトの登録
  3. 課題図書いくつか

 

 現状、この3つをしておけばなんとかなります。それぞれについての詳細は以下で述べます。(※注意:僕はエンジニア志望で就活をしているので、総合・営業系などの分野でこれが通用するかはわかりません。しかし、ここを最低限のラインとして特定分野を尖らせるということになるとは思います。)

 

  1. ロジックの勉強

    ロジックで物事を語ることができないと、面接・ES・インターン等ですべて積みます。面接での会話がロジカルじゃないと、言ってることが正しく伝わらないですし、ESのように「文章を読ませる」という作業においてロジカルじゃないと、読み手に対して余計な苦痛を与えます。インターンではグループワークがよくありますが、論理が成ってないと突っ込まれます。(こんなことは当たり前ですが念のため)

    「今更ロジック勉強なんかしなくてもいい」と思う方もいるとは思うんですが、念のため復習するべきだとは思います。強制的に論理に触れる大学生ですが、それを発信する機会が希薄だと自在に使えるラインまでは至りません。本当にロジカルさが必要なのは「会話のとき」です。会話のときに瞬時にロジカルに話さないといけないこと考えれば、その思考回路を復活させることは必要でしょう。また、アウトプットの質がインプットの質を上回ることもないため、インプット不足などを感じる場合は、ロジックの勉強がてら流行りのビジネス書を手に取りつつ、一旦トレンドを把握するのはアリです。

  2. 逆求人就活サイトへの登録

    僕はPaizaとOfferBoxをつかっています。逆求人サイトは、プロフィール等を登録しておくと企業がスカウトしてくるアレです。スカウトが来る→面接してみるという流れは非常に楽です。

    paiza.jp

    offerbox.jp   

    この2つのサイトを使っていますが、エンジニア志望なので基本はPaizaです。コードを書かないのであれば、OfferBoxでよいかと。使い方などはググってください。(書くのだるい読みやすさの都合上)

  3. 課題図書

    トレンドを掴み課題感を持つと、就活での話のネタを作るだけでなく、会社選びの軸が決まるようになるのでおすすめです。課題図書はあまり多くても仕方ないので、必要最低限のものだけをピックアップします。並んでる書籍はいわゆる「意識高い系本」などと揶揄されますが、読まないより読んだほうがマシです。順番どおり読めばとりあえず最低ラインを保証できます。

      

    超AI時代の生存戦略 ―― シンギュラリティ<2040年代>に備える34のリスト

    超AI時代の生存戦略 ―― シンギュラリティ<2040年代>に備える34のリスト

     

    まずこの本で、現状→未来を俯瞰しましょう。そして課題感やらなんやら感じてモヤモヤしてください。別に未来予想図ではないですが、これからできるテクノロジーで何ができるかをわかりやすく記述しています。なによりバズっているので、意識の高い人事と思考をシンクロさせやすいというメリットもあります。ただ本人も言うように「疑う」ことは心がけてください。



    イシューからはじめよ―知的生産の「シンプルな本質」

    イシューからはじめよ―知的生産の「シンプルな本質」

     

    トレンドを把握したので、その中で自分に一番関わりが深い部分に対して、どのように課題感を抱き、仕事につなげるかを考えましょう。最近のビジネス書はとにかく「行動力」を片っ端から肯定しますが、正しい道順を設定せずに走るのは大変無駄なので、この本をよく読んで下さい。

     

    残酷すぎる成功法則  9割まちがえる「その常識」を科学する

    残酷すぎる成功法則 9割まちがえる「その常識」を科学する

     

     計画が決まったいま、あとは実行に移すだけですが、ひとによってメンタルに差はありますし、動き方も異なるので、この本を読んで動き方を試行錯誤してください。

  

 以上で最低ラインは完成しました。しかし、これでは尖ってないのでなにか尖りましょう。なんでもいいです。趣味、部活などで尖ったエピソードがあれば十分です。

 最後に、僕らは何も持っていないことを自覚しましょう。世の中のトップオブトップはすでに手に負えないレベルで進化しています。僕ら中途半端階級は戦い方を変え、できることを再考するべきなんです。銀行員になるべき人、農家になるべき人、大工になるべき人が存在します。トレンドと自分の特性を理解して、ロジカルに思ったことを話せば問題ないでしょう。

 

・気になる点

①マナー対策しなくて大丈夫??

各々がんばってください。心配ならやってください。僕はしてないです。こればっかりは育ちでしょう。挨拶と礼と相手の目を見ることくらいはできるようにすればいいのでは??

 

vs ポートフォリオ制作

制作物を面接の課題としてもってこいとのことだったので急遽制作へ

ドットインストールのPHP系でTodo管理アプリがあったので、まずそいつを作って、自分のTodoを最適化できるようにすることに。

Todoは前々から改良の余地だらけだったので、本腰いれて制作。。

 

あと頭に入れておきたいのは、

・他人が見やすい

・拡張がしやすい

・UIはかっこよく

ここだけは譲らず、とにかく作ってみてからまた考えよう。

にゃーん2

 

学部3年が終わりそうです。経済学部。

 

銀行系は行きたくない。エンジニアとして就活をしているが、情報系出身に勝てない。山を登るために大学を選んだ。山は好きだけど、最近結局登ってない。

金融を学ぶことはそれなりに意味があったけど、別に大学でやる必要はなかった。

ましてや、経済学なんて教科書に触れることすらせずに単位がとれた。

趣味的に2,3冊読めばよかった。ゼミの時間は完全に無駄な時間だった。

面接で、「なにになりたいのかよくわからない」とフィードバックをもらった。

そりゃ、学部3年で、金融系を切り捨てること決めたのだから仕方ないよね。

こんな中途半端な学生、自分が面接官ならすぐ切りたいわ。と

 

 

ということで、院が視野に入ってきた。

結局理系に戻ることになるという。

やりたいことが決まったタイミングで就活だから、まあしんどいわけで、現実逃避の意味も込み。受け入れてくれる会社があれば喜んで入ります。

 

ここ3ヶ月はデータサイエンスにお熱。本当に院いくならそっち系

ということで、面接(ならびに履歴書)の戦闘力を高めるべく

 

<履歴書戦闘力>

TOEICは730ないと門前払いするところがあるらしい。やらねば。

・統計検定取ってね。せめて2級。

・Courseraの修了証を持っていくとどうなるか検証

・「Kaggleやってます!」も検証

 

 

あとはしっかり研究計画が書けるかどうか。やりたいことはなんやかんやNLPで、Twitterネイティブの多さを鑑みると楽しそうだよねと。

 

またなにかあれば更新。

 

 

 

プログラミング初心者がハッカソン型インターンに行った話

 

結論:一通り遊んだらハッカソンに必ず行け

 

超初心者がハッカソンに出るとこうなる。

・言っていることがよくわからない

・質問内容もよくわからない

・急に使ったこと無い言語で開発する

・寝れない(これは初心者じゃなくてもこうなるらしい)

・とりあえずできたことはUIデザインくらい(サーバー関連意味不)

・とにかく周りのレベルが高すぎて泣ける

 

 

 

反省も込めて時系列で振り返り

 

インターン開始時の自分の状況

XcodeiOSサンプルアプリを作った程度。その他は正直ムリ。

・サーバーのことはよく知らん

ビットコインで頭がいっぱい

 

 

・どんな状況だったか

今回は音楽アプリの作成。事前にどんなアプリかは通知された。ただし、打ち合わせとかはさすがにNG。何作るのかしらんがとりあえずiOSアプリならいけますって書いたし、Xcodeは毎日触ってとりあえずの準備していった。(といってもIBActionとかDelegatesをちょっこと理解した程度)

 

 

そして当日、再生方法とかの都合もあって急遽Webアプリに変更。早速詰みそう。とりあえず、「ゴリゴリ調べる」→「コピペ」→「動かす」→「直す」→「ゴリゴリ調べる」のループ。ただ意外と、html+CSSはその場しのぎでなんとかいける(htmlのdivごとにCSS割り当てるのとかも、なんとなく読んでたらわかった)

 

画面構成の話の最中。「2カラム?3カラム?」「ここフロートで」「いきなりだけどJS書ける?」「JQUERYで〜・・・」html等々書いたことないので全部呪文。「フロントやってもらおうと思うんだけど大丈夫??」って心配されたのも納得。そしてhtml書いたこと無いけどフロント担当とか言ってごめんなさい。

 

といいつつもなんやかんやで完成。デザインは自分の案がかなり反映されたのでビギナー大喜び。

 

・振り返ってみて

始めたてのころは、自分の書いたコードが実際に動いたり、競プロの問題が解けたり、そういうことで喜びを得てたんだけど、ただ、本当に、趣味ではなく仕事としてプログラミングするというときには、協同でなにかを作る経験がないと何もできないかもしんない。

ハッカソンインターンは、自分と同じ世代の人と自分を相対評価する場なので、絶対に行ってください。お願いします。

 

 

 

 

 

 

 

 

 

 

V.S インターン 勉強編

インターンに向けて読んだ記事まとめ

 

・WebAPIのことくらい勉強しようね

qiita.com

qiita.com

 

 

JSONもやっとこうね

qiita.com

 

本家

https://docs.python.jp/3/library/json.html

 

 

 

Cocoapods使えないと詰む気がした

qiita.com

 

 

あとはUdemyのアプリ開発講座をゴリゴリ進めるー

(てかiOS開発経験5日でフロント任されるのきつくない???)

 

〜例題で学ぶ統計学〜 比率の区間推定

標本分布を終えると、やっとこ統計らしい推定の章です。

 無作為に選んだ250人の大学生について運転免許をもっているかどうかを調査したところ、90人がもっていた。信頼係数95%で、運転免許を持っている大学生の割合の信頼区間を求めよ。

『基本統計学有斐閣 P.238 練習問題(2)


解くこと自体はそれほど難しくないし、考え方も、正規分布をなんとなく理解していれば、そんなに難しくないです


〜解き方の流れ〜

この問題の解き方は2通りあります。

  1. 二次方程式を解く場合
  2. 近似計算をする場合

両方そんなに難しくないですが、後者のほうがよく使うので後者で解説。


〜解説〜


「標本比率、ここでは250人中、運転免許を持っている大学生の割合は、大きかったり小さかったりするけど、その分布は『免許もってる or 持ってない』の二項分布になりそう」というところから話がスタートします。250人中誰も持ってないってことは無さそうだし、かといって全員持ってるってこともなさそう・・・ということです。

全国の大学生から選り抜いた250人を頼りにして、全国の大学生で免許を持っているのはだいたい何割なのか調べてみましょう。


まず、最終的なゴールは、「免許を持ってる割合(p)がどの範囲に収まるか」。つまり、

(下限)\leqq p \leqq(上限)

という状態がゴールになります。
250人中、運転免許を持っている大学生の割合(標本比率)についての二項分布を正規分布に近似させて、式を変形して作ります。そのため、

  1. 二項分布から正規分布に近似
  2. 正規分布を標準化して信頼区間に収まるように不等式を作る
  3. 式変形をしてゴール


という手順になります。


1,二項分布から正規分布に近似


xという値が二項分布するとき、

\begin{eqnarray}
B(n,p)  \sim  N(np,npq) 
\end{eqnarray}  

になることを用いてちょっと考えます。このxx/n、つまり、「250人中90人が免許を持ってる」という標本比率の話に置き換えます。一次変換すると、

\begin{eqnarray}
N(np\times\frac{1}{n},npq\times\frac{1}{n^2}) = N(p,\frac{pq}{n}) 
\end{eqnarray}


この式の意味するところは、
n人中x人が免許を持っている確率は、平均値p、分散pq/n正規分布する」ということになります。


言い方を変えてみます。
標本をいっぱい集めてくると、免許を持ってる人の割合の期待値E(\hat p)は、大学生全体での割合(p)に等しくなるはずです。このことを数式で示してみます。

\begin{eqnarray}
E(\hat p)  &=& E(\frac{x}{n}) &=& \frac{1}{n}E(x) &=& \frac{1}{n}np = p
\end{eqnarray}  

分散についても、

\begin{eqnarray}
V(\hat p)  &=& V(\frac{x}{n}) &=& \frac{1}{n^2}V(x) &=& \frac{1}{n^2}npq = \frac{pq}{n}
\end{eqnarray}

となります。


つまり、「免許を持ってる人の割合」の期待値(平均)と分散は、それぞれ

\begin{eqnarray}
\mu &=& p \\\\
\sigma^2 &=& \frac{pq}{n}
\end{eqnarray}


になります。つまり、標本比率\hat p = x/n

\begin{eqnarray}
N(p,\frac{pq}{n}) 
\end{eqnarray}  

で近似することができます。
これを標準化して、式を変形していけば、ゴールに辿りつけそうです。



2,正規分布を標準化


標準化については説明を省きます。
その代わり、信頼区間について少し説明します。


信頼区間は、「値がその区間にあることが信頼できる」ような区間
信頼係数は、「その区間にあることが信頼できる確率」です。


つまり、「信頼係数95%である信頼区間を求める」ということは、
「その区間にいる確率が95%になるような区間のはじっこを決めてくれ」
ということです。


標準正規分布では、

-1.64 < z < 1.64:信頼係数90%の場合のはじっこ
-1.96 < z < 1.96:信頼係数95%の場合のはじっこ
-2.58 < z < 2.58:信頼係数99%の場合のはじっこ

となります。(テストのときは覚えましょう!)


これを当てはめます

\begin{eqnarray}
Pr \Biggl\{-1.96 < \frac{\frac{x}{n}-p}{\sqrt{\frac{pq}{n}}}< 1.96\Biggr\} =  0.95
\end{eqnarray}  

あとはここから式変形をしていきます。


3 式変形して近似計算


近似計算でやります。
先程の式を、p不等式の真ん中に来るように変形します。


\begin{eqnarray}
&Pr& \Biggl\{-1.96 < \frac{\frac{x}{n}-p}{\sqrt{\frac{pq}{n}}}< 1.96\Biggr\} \\\\
\Leftrightarrow &Pr& \Biggl\{-1.96 \sqrt{\frac{pq}{n}} < \frac{x}{n}-p < 1.96\sqrt{\frac{pq}{n}}\Biggr\} \\\\
\Leftrightarrow &Pr& \Biggl\{-\frac{x}{n}-1.96 \sqrt{\frac{pq}{n}} < -p < -\frac{x}{n} + 1.96\sqrt{\frac{pq}{n}}\Biggr\} \\\\
\Leftrightarrow &Pr& \Biggl\{\frac{x}{n}-1.96 \sqrt{\frac{pq}{n}} < p < \frac{x}{n} + 1.96\sqrt{\frac{pq}{n}}\Biggr\} \\\\

\end{eqnarray}  


これで、真ん中をpにした状態で不等式ができました。
でも、これだと両端にもpがあって計算できそうにないです。


そこで、p\begin{eqnarray}\frac{x}{n}\end{eqnarray} で近似しちゃいます。
これでも値はそんなにずれないので問題なし!

\begin{eqnarray}
p = \frac{x}{n} 、q = (1-\frac{x}{n})
\end{eqnarray} より


\begin{eqnarray}
Pr \Biggl\{\frac{x}{n}-1.96 \sqrt{\frac{\frac{x}{n}(1-\frac{x}{n})}{n}} < p < \frac{x}{n} + 1.96\sqrt{\frac{\frac{x}{n}(1-\frac{x}{n})}{n}}\Biggr\} \\\\
\end{eqnarray}


という式になります

\begin{eqnarray}
n = 250、
\frac{x}{n} = \frac{90}{250}
\end{eqnarray} を代入します。テストではここから事故るので慎重に


\begin{eqnarray}

&Pr& \Biggl\{\frac{90}{250}-1.96 \sqrt{\frac{\frac{90}{250}(1-\frac{90}{250})}{250}} < p < \frac{90}{250} + 1.96\sqrt{\frac{\frac{90}{250}(1-\frac{90}{250})}{250}}\Biggr\} \\\\

\Leftrightarrow
&Pr& \Biggl\{\frac{90}{250}-1.96 \sqrt{\frac{\frac{90}{250}\frac{160}{250}}{250}} < p < \frac{90}{250} + 1.96\sqrt{\frac{\frac{90}{250}\frac{160}{250}}{250}}\Biggr\} \\\\

\Leftrightarrow
&Pr& \Biggl\{\frac{90}{250}-1.96 \sqrt{\frac{90}{250}\cdot\frac{160}{250}\cdot\frac{1}{250}} < p < \frac{90}{250} + 1.96\sqrt{\frac{90}{250}\cdot\frac{160}{250}\cdot\frac{1}{250}} \Biggr\} \\\\

\Leftrightarrow
&Pr& \Biggl\{\frac{90}{250}-1.96 \sqrt{\frac{9}{25}\cdot\frac{16}{25}\cdot\frac{1}{25\cdot 10}} < p < \frac{90}{250} + 1.96\sqrt{\frac{9}{25}\cdot \frac{16}{25}\cdot \frac{1}{25\cdot 10}}  \Biggr\} \\\\

\Leftrightarrow
&Pr& \Biggl\{\frac{90}{250}-1.96 \sqrt{\frac{3^2 \cdot4^2}{25^2\cdot5^2}\cdot\frac{1}{10}} < p < \frac{90}{250} + 1.96\sqrt{\frac{3^2 \cdot4^2}{25^2\cdot5^2}\cdot\frac{1}{10}}  \Biggr\} \\\\

\Leftrightarrow 
&Pr& \Biggl\{\frac{90}{250}-1.96\cdot  \frac{3\cdot4}{25\cdot5}\sqrt{\frac{1}{10}} < p < \frac{90}{250} + 1.96 \cdot\frac{3\cdot4}{25\cdot5}\sqrt{\frac{1}{10}}\Biggr\} \\\\

\Leftrightarrow 
&Pr& \bigl\{0.36-1.96\cdot 0.096\cdot 0.3162 < p <0.36 + 1.96 \cdot 0.096\cdot 0.3162 \bigr\} \\\\

\Leftrightarrow 
&Pr& \bigl\{0.36-0.0595 < p <0.36 + 0.0595\bigr\} \\\\

\Leftrightarrow 
&Pr& \bigl\{0.3005 < p <0.4195\bigr\} \\\\

\end{eqnarray}

これで答えがでました。
「大学生が免許を持ってる割合が、約30%〜約42%になる確率は95%」みたいです。

2017統計学Ⅱ  NO.4 問5 解説

問題5 個人的な難易度★★★ 


母集団分布が次のような密度をもつ連続型の分布であるとする。


  x^n = \left\{ \begin{array}{ll}

     \frac {1}{\theta^2}  xe^{-x/ \theta} & (x\geqq0) \\
    0 & (それ以外)

  \end{array} \right.

ここから得られた5個の標本の値が、2.4,3.2,3.0,2.8,3.0であった。未知のパラメータ\thetaを最尤法で推定するとき、その推定値を求めよ。




〜解き方手順〜


他の問題と違って電卓ゲーではないため、そもそも数学がすっごく苦手な人は捨てちゃいましょう。今回は、対数と微分はなんとかなるって人なら問題ないと思います。

この手の推定値の問題は、「最大値を満たす値を求める」とおんなじです。つまり数Ⅱでやった「微分して=0に置く」が出来ればOKです。


テスト解けりゃいいよって人は、尤度関数=標本の数だけ掛け算する程度に思ってくれてれば

1,尤度関数を立てる。
2,尤度関数を対数で置き換える。
3,できた対数尤度関数を微分
4,最大値を満たすθを求める。

基本的な流れ自体は難しくないんだけど、対数、微分等の高校でやった数学がアウトだとキツイ



〜解説〜

まず尤度関数L(\theta)を作るところから、
素数が5個なので

 \begin{eqnarray}
L(\theta) &=& \prod_{i=1}^5 \frac {1}{\theta^2}  x_ie^{-x_i/ \theta}
\end{eqnarray}


この\Piは「i=1のときの値からi=5のときの値まで掛け算します」って記号
だから

L(\theta)=
\frac {1}{\theta^2}  x_1e^{-x_1/ \theta} ×\frac {1}{\theta^2}  x_2e^{-x_2/ \theta}×\frac {1}{\theta^2}  x_3e^{-x_3/ \theta}×\frac {1}{\theta^2}  x_4e^{-x_4/ \theta}×\frac {1}{\theta^2}  x_5e^{-x_5/ \theta}


後々対数に直すから、掛け算ごとに分解しておく。
今回は \frac {1}{\theta^2}xe^{-x_i/ \theta}の掛け算だから3つに分解。


\begin{eqnarray}
L(\theta) &=& (\frac {1}{\theta^2})^5  ×\prod_{i=1}^5x_i × e^{\sum_{i=1}^5 -\frac{x_i}{\theta}}\\\\
L(\theta) &=& ({\theta}^{-2})^5 ×\prod_{i=1}^5x_i × e^{\sum_{i=1}^5 -\frac{x_i}{\theta}}\\\\
L(\theta) &=& {\theta}^{-10} ×\prod_{i=1}^5x_i × e^{\sum_{i=1}^5 -\frac{x_i}{\theta}}
\end{eqnarray}


今度はこれを対数に直す。


\log L(\theta) = \log ({\theta}^{-10} ×\prod_{i=1}^5x_i × e^{\sum_{i=1}^5 -\frac{x_i}{\theta}})


\logの掛け算は足し算に直せるから


\log L(\theta) = \log {\theta}^{-10} +\log (\prod_{i=1}^5x_i ) + \log(e^{\sum_{i=1}^5 -\frac{x_i}{\theta}})


例として\log x ^ 2 = 2\log xになることと\log e ^ {2x} = 2x になることを使って
(真ん中の項は後々\theta微分したときになくなるから放置)


\begin{eqnarray}
\log L(\theta) &=& -10 \log \theta +\log \prod_{i=1}^5x_i  + \sum_{i=1}^5 -\frac{x_i}{\theta}\\\\
\log L(\theta) &=& -10 \log \theta +\log \prod_{i=1}^5x_i  -\frac{1}{\theta} \sum_{i=1}^5 x_i
\end{eqnarray}


ここからやっとこ微分します。

\begin{eqnarray}
(\log x)' = \frac{1}{x}\\\\
(\frac{1}{\theta})' = (\theta^{-1} )' = -{\theta}^{-2}
\end{eqnarray}

になることを使って
上の式を\thetaについて微分して=0とおくと


\begin{eqnarray}
\frac{d\log L(\theta)}{d(\theta)} &=& \frac{-10}{ \theta}  + \frac{1}{\theta^2} \sum_{i=1}^5 x_i &=& 0
\end{eqnarray}


両辺に\theta^2をかけて整理すると、
 

\begin{eqnarray}
 -10{\theta}  +\sum_{i=1}^5 x_i &=& 0\\\\
10{\theta} = \sum_{i=1}^5 x_i \\\\
{\theta} = -\frac{1}{10}\sum_{i=1}^5 x_i
\end{eqnarray}


あとは\begin{eqnarray}\sum_{i=1}^5 x_i\end{eqnarray}の値を出す


\begin{eqnarray}
\sum_{i=1}^5 x_i &=& 2.4 + 3.2 + +3.0 + 2.8 + 3.0\\
&=& 14.4
\end{eqnarray}


したがって答えは


\begin{eqnarray}
\theta &=& \frac{1}{10} ×14.4 \\\\
&=& 1.44
\end{eqnarray}