  |
はてなキーワード: 信号処理とは
最近は原曲の音声からテンポを検出したりドラム、ベース、ボーカル、その他で奇麗に分離することが可能になった
ボーカルも、音声から初音ミクみたいなデータに自動で変換できる
上記の問題点は、自動でできるけど、ゴミみたいなデータが混ざってたり、なんかおかしい箇所があったり、テンポもオチに向かってズレてくことがあったりで、
コンピュータくんは完璧に仕事をこなしてくれるわけじゃないんだけど、大雑把にはやってくれる
大体正しい、細かい箇所を見ると人間より正確というか、おぉ、よくそう見抜いたな、と感心することさえある
それと並行して、なんでこうなった、普通そうはならんやろ、みたいなものもある
それらを手直ししてゴールへ持っていくのが仕事になる気がする
もちろん、ゼロから手で打った方が早い、みたいなこともありうるとは思う
ボーカル音声も、ひとりで歌ってるのはいいけど、コーラスみたいなのが入ってるとか、そもそも全体がコーラス、とかになると対応できていない
でも、いつかコーラスとか、同一周波数帯の複数の楽器を切り分けらえる日が来ると思う
歌詞もちょっと変だけど聴き取れてるし、これから精度が上がっていけば、一発オーケーの変換ができる日が来るかもしれない
それより、AIが作ったカラオケデータを眺めながら、音楽とか作曲の勉強をするようになると思う
そういう日は今すぐではないけど、そんなに遠くない気もしてきた
無償とか数万円ちょっとのお金でこういう試行錯誤ができる時代になったんだから、意外とそういう日は早いと思う
でも、マシンパワーいるね
貧弱な家のマシンだと、例えではなく悲鳴を上げて、悲鳴みたいな音出して、DAWが落ちることがあったりするし…
三角関数はゲームプログラミングとか信号処理とかには必須だからな
スポーツの成績は精神によっても左右されるので、精神論は必要だけど、数値化して科学的論理的に思考するのが成績アップのコツ
そこは受験勉強とかと同じなんだよな
そういえば、ギタリストに学校の勉強はいるのか？三角関数はいるのか？みたいなのYouTubeで観たけど、
ギターのリペアに幾何学が必要なのもあるけど、エレキギターの回路とか、PAとしての最低限の知識、インピーダンスとかマッチングとか、
学校の勉強まったく必要ないって言ってる奴出てたけど、どう思ってるんだろうな
なんでケーブルがペアになってるか、とか、どうしてノイズが相殺されるのか、とか、
ギターアンプというより、単なるトランジスタの増幅器さえ組めないレベルだと話にならない気がするし、
長谷川 りな
2013年(平成25年) 関西大学システム理工学部電気電子情報工学科入学
2016年(平成28年) 夏季休暇に中原大学(台湾)に滞在、ELTICOM*において
Best Paper Awardを受賞
2017年(平成29年) 関西大学システム理工学部電気電子情報工学科卒業
2017年(平成29年) 関西大学大学院理工学研究科特待入学
2018年(平成30年) 南洋理工大学(シンガポール)に滞在、共同研究
Journal of the Acoustical Society of Americaに採録
2019年(令和元年) 関西大学大学院理工学研究科コース首席卒業
2019年(令和元年) 日本光電工業株式会社(医療機器メーカー)入社(技術職)
学生時代は、母子家庭ということもあり貧乏学生だったので、いろんなバイトを掛け持ちしていました。塾講師、パチンコのホールスタッフ、リサイクルショップ、野外フェスでの日本酒の売り子などなど・・・。高校時代から大変なことが続きましたが、人に恵まれてここまでやってこれました。特に高校・大学時代の友人、研究室の先生、バイト先のオーナーや店長には感謝してもしきれません。家庭の事情により、実家ない私ですが、所沢はそんな私を受け入れてくれる街です。
いろいろしくじってきたが、その後のことも考えると、人生で一番大きなしくじりだったと思う。
を検討していた。
コンピュータと人工知能に関心があったということが候補を選んだ理由だった。
当時、LinuxやFirefoxなどのオープンソース活動に興味を持っていた。
また、脳科学や認知科学、人工知能など人間の知能に関する分野にも興味を持っていた。
研究分野としてはOS・コンパイラなどのコンピュータの基礎研究という印象を受け、
工学の方が自分の嗜好に近いと考えて工学部の学科を検討することにした。
工学部機械情報学科はロボティクスを中心とした情報を扱っていて、
ロボットのハードウェアへの興味が低かったことから優先順位を下げた。
そして、
を候補として考えた。
機械系のカリキュラム・研究も含まれていて、2つの学科が扱っている分野が共通していた。
違いとしては、システム情報工学では応用物理系の内容を中心に扱い、
知能社会システムでは機械系から社会工学・経済工学まで扱っているという違いがあった。
そして、次の理由から知能社会システムコースを候補として考えた。
私は教養学部での講義からゲーム理論やシェリングの分居モデルなどの話題に触れ、
また、当時行動経済学や経済への物理学の応用などの書籍を読み社会科学系にも興味を持っていた。
人工知能やマルチエージェントや進化計算などの複雑系にも興味を持っていた。
また、自分の関心がある講義が他学科にも分散していたことから、
講義を取りやすいことも良いと考え、自立して科目を選択できると考えた。
また、製造業や電器メーカーの不調から従来の工学系学科に進んでよいのかと悩んでいた。
できて数年の学科だということで新しいことができるのではないかと無根拠に考えていた。
そうして工学部システム創成学科知能社会システムコースに進むことにした。
そうして、システム創成学科知能社会システムコース(PSI)に進学したが、
思うようにはいかなかった。
幅広い分野を扱いつつ、講義数が少ないということで全体的に内容が薄く、未消化気味だった。
また、講義間の関連性が薄く、体系的に学べることが少なかった。
などの工学の基礎となりうることは扱うのだが、基礎に留まっていた。
また、講義を受けてのレポートが中心で理工学の演習は少なかった。
工学部だから機械や電気ではなくても理数系を基礎として扱うのだろうと考えていたが、
予想とは違い少なかった。
統計は理工系でも社会系でも重要なものだからもっと力を入れて欲しいと思う。
そのため、ディスカッションやプレゼンテーションなどの機会があったが、
幅広い分野を扱っているということもあり、学生層が広かった。
その分、興味が合いそうな同級生を見つけにくかった。
カリキュラムが少ない分、就職活動を頑張って学部で外資などに就職しようという
学生も多かった。
全員が全員そうだということはなく、修士も進むことを考えている学生もいた。
他学科聴講は思ったよりもできなかった。
受けたいと思った講義の時間が被っていたり、前提知識が不足していたりして、受講が難しい場合があった。
学科での講義に関心が持てず、モチベーションが下がっていたということもあった。
研究室には学部3年後期に配属される。カリキュラムの少ない分をそこで補う想定らしい。
しかし、私が所属していた研究室では、学部就職する学生が多く、
他大学からの院生やポスドクが中心であまり教育が受けられなかった。
システム創成は機械情報学科や計数工学科と違い、情報理工学系研究科ではない。
進振り時点ではそこまで差を考えていなかったが、講義の内容やPCなどの設備が違っていた。
大学院でより専門性を高めたいと考えて情報理工学系研究科に進んだが、
実力の不足から、大した実績を上げることができなかった。
学部では幅広い内容を身に着けて、大学院で専門性を高めるということを考えていたが、
他の研究室に進学するならば、その研究室と密に連絡を取って、院進学前から
必要な勉強・研究計画作成をしないと、講義や就活で研究に必要な時間が取れなくなる。
このようなことから、大学院では成果を出せず、就職活動もあまりうまくいかなかった。
振り返ると、それまでの人生で初めて大きな意思決定をする機会だったが、そのことを十分に認識できていなかった。
取捨選択するということができず、幅広いカリキュラムがあるということから選択肢がありそうな道を選んでしまった。
安易に考えず、具体的にメリット・デメリットを書き出して、検討すべきだった。
それまでどれかができるということではなく、どれもできるようになろうとしてきたことがあり、
立花隆さんの影響を受けていて、文理ともに学ぶことに憧れていたが、
その難しさを分かっていなかった。
意思決定をするために必要な情報を集めて、裏を取るということができていなかった。
まあ、サークルに工学部の先輩がほぼいないという事情もあった。(普通工学部は忙しいからな。)
もう少し聞けていれば、進学先を再検討していたと思う。
自分が目指すような幅広い分野を学ぶということを行うのであれば、基礎を幅広く身に着けることを
念頭において進学先を選ぶべきであった。
そう考えると、情報科学科や計数工学科に進むことを考えるべきだったと思う。
理学部情報科学科については小中高からプログラミングを扱っている人が多いと聞いていて気遅れしていた面もあった。
独学で学ぶようにはしていたが、学科に進学した方が教育や同級生など成長できる機会は多かった。
学部で情報系の基礎を身に着けて、大学院で応用に広げることも十分考えられたが、当時はその想定ができなかった。
あと、当時情報科学科や電子情報学科が進振りの最低点(底点)が非常に低く、避けた方がよいかなと思っていたところもあった。
進振りで高い点のところを目指していたわけではないが、つい点数に左右されてしまった。
今の機械学習やディープラーニングは自分が当初やりたかったことに非常に近かった。
大学院でそちらに進もうとしたが、実力不足から挫折してしまった。
情報科学科や計数工学科に進学していれば、その分野に進むチャンスが大きかったと思う。
教養学部時代に自分がやりたいことについて、教授に相談したり、一般書籍ではなく学会誌を読むなどしていれば、
進路を明確に決めて、進振りでの失敗も避けられたのではないかと思う。
進振りでは点が足りなくて進学できなくて失敗したという話を良く聞くが、
これは進学先の選択を誤ったという話である。その分、あの時選んでいればという後悔が大きい。
システム創成について、自分の失敗から悪い面ばかり記載してしまった。
私の進振りでのしくじりを具体的に書くことで何か参考になればということで書いたものである。
自由度が高い分、自分で計画を立てて行動できる人にとっては良い面もあると思う。
私自身は進路・キャリアを良く決めないまま進学してしまったため、うまくいかなかった。
など学科の色がはっきりしてきて、その方面に目指す人にとっては良い学科と思う。
(カリキュラムはあまり変わっていないらしいという話も聞くが。)
失敗したと思っても、将来どうなるかは分からない。
現に情報系学科は過去は非常に底点が低かったが、今は高騰している。
システム創成ではないが、大学院で他分野に進んで研究者として業績を上げている知り合いもいるので、
あまり後悔せず、前を向いて進んで欲しい。
＞いやだから、既存のソナーの信号処理アルゴリズムに機械学習やディープラーニングが使われてないとでも思ってるのか？
既存のソナーの信号処理アルゴリズムにAI（機械学習やディープラーニング）が使われていることと、船乗りの作業がAIに代替される（結果、将来性が無い）ってのは、全然違う話でない？
＞そもそも現代の機械学習やディープラーニングがやってるのは「機械化」や「自動化」でしかないぞ。もしかしてSFみたいな意思を持った人工知能みたいなもんが既にできてると思ってるのか？
そもそも論でいうなら、ワイは最初から『船乗りの作業を代替できるAI』の詳細を知りたいだけやで。
ゲーム業界でプログラマーとしてやっている身から考えを書いてみる。
「私のフォロワーの方にはクリエイターやゲーム関係の方がたくさんいらっしゃると思います。皆様の意見を聞かせていただきたいです。」
https://twitter.com/gamemakerdiary/status/1413185724849954817
ゲーム会社の経理や人事でも、好きなゲームに関わっているということで満足する人もいる。
小規模なゲームをひとりで全部作りたいのか、中規模以上のゲームのどこかを担当したいのかくらいは考えておくべき。
次は専門職。シナリオ、グラフィック、作曲といった専門の教育を受けてないと手も足も出ない分野。
これも解像度を上げると、コンセプトアート、キャラデザイン、ムービー、モデリング、ライティング、UIデザイン、録音、効果音などなど無数に分類される。
ゲーム会社、特にコンシューマゲームのプログラマーとしてやっていくなら、学生時代に身につけている言語や環境よりも、「大規模なものや複雑なものを怖れず学ぶ」資質が大事だと個人的には思っている。
ゲーム開発は、ゲームエンジンやフレームワーク、ライブラリ、APIを多用する。それもネットで検索してもまったく情報がない独自のものだったりする。
そもそもゲーム機はOS自体が普通と違うし。ビルドに使用するツールチェーンもかなり複雑になっていることが多い。
簡単な例でいうと、Visual Studioよりもテキストエディタの方がシンプルで使いやすいと思うタイプは要注意だ。
複雑でも多くの人に支持されているツールは何か良いことがあるはず、と思ってVisual Studioを使いこなす気持ちを持とう。
学生時代の作品もProcessingなどではなくC++で書くべきとか言われるのもこの辺に通ずる。
あとプログラミングに自信がある人で、既存のライブラリは複雑で使いにくいからとオレオレライブラリを作ってしまう人も要注意。
実は俺もそういうタイプなので苦労した。
ゲーム開発は複雑なものをそのまま使わなくてはならない日がいつか必ず来る。
既存の複雑なものを使う能力と言うのは、つまり大量の（英語を含む）ドキュメントを読む能力、大量のソースコードを読む能力でもある。
シンプルで洗練されたコードも素晴らしいが、洗練されたコードをめちゃくちゃ時間かけて書く人よりも
多少いまいちでも手が止まらず書き続けられる能力がある人の方がまわりには多い。
そういう人は、いまいちなコードに何度も手を加えて最終的にはまともなコードにしてしまったりする。
ゲーム全般やゲーム開発に関する知識量は、プログラマーとしても最大の武器だ。
有名なタイトルがどういう特徴を持ったゲームなのか広く知るのには膨大な時間がかかる。ゲーム好きでそのあたりに詳しいだけでも強い。
Unityなどのゲームエンジンに触ったことがある、というのもスキルというより知識の武器という意味合いが強い。
入門書レベルではなく、UniRxとかのプログラムの書き方の根本からくつがえるようなライブラリ経験とか、Unreal Engineのソースコードをいじったことがあるとかレベルなら超強い。
大学のゲームサークルやインディゲーム開発のグループで経験がある人はここが強いように思う。グローバルゲームジャム参加経験者とかも。
それから、ここが一番言いたかった点なのだが、前述の専門職とまたがる知識のあるプログラマーはめちゃくちゃ重宝される。
グラフィックならシェーダーがめちゃくちゃ書けるとか、3DデータやIKを扱った経験があるとか、3Dベクトルや行列演算の数学が得意だとか。MayaやBlenderを使った経験があるだけでも強い。
サウンドならDAWや波形編集ソフトを普段から触っているとか、信号処理に詳しい人。
つまりデザイナーやモデラーや音楽家の気持ちがわかって、その人たちと専門用語で話ができるプログラマーはどこでも食っていける。
あと最近はAIに強い学生もゲーム会社は積極的に採用している。
ひとつの専門知識＋プログラミング能力を身につけるのはわりとおすすめの戦略だ。ゲーム開発の全部に詳しい必要は必ずしもない。
CEDECなどのカンファレンスに参加して、どういう知識体系があるのか知って、自分の強みを考えよう。
ゲーム開発用の自社ツール制作や、プロモーション用Webサイト制作など、ゲーム本体以外のプログラミングも多いので、
私は旧帝大学院で情報工学をやっていて22卒というのに分類されるものだ。3月から日系大企業の就活を受けてきた中で、これまで受けてきた企業や並行して受けている外資に比べて面接でのストレスが溜まりまくったので駄文ながらここに吐き出しておきたいと思う。
就活は去年の終わり頃に始めていて、所謂コンサルチュアと日本人なら聞いたことあるだろうWeb系の内定を手に入れた。ただ自分の中で計算機科学の知識を生かしてソフトウェアエンジニアとして働いてみたかったのでメーカー系が選択肢として浮上し、いわゆる電機メーカーやら自動車メーカーの大手日系企業を受けた。
正直それまでは日系企業・大企業は堅苦しくてあんまり内製しておらずマネジメントばかりだとか配属ガチャなるものがあるとかというので敬遠していたのだけれど、色々な企業説明会に参加する中で少しずつそういう風潮が変わってきているんじゃないかと感じられた。そこで選考を受けたのだが、書類選考は全通過したが一次面接で落ちまくる。落ちる理由として申し込んだところと自分の想像してる仕事内容に微妙に乖離がある事が多い（インターン経験がないので）ことや研究開発職に申し込んだので単純に他の応募者が優秀なのもあると思うが、選考中の面接で個人的にストレスを感じた点をあげていきたい。（勿論これは学生就活生側の一方的な立場で、企業側面接官側の立場では的外れと感じるところはあると思う）
コーディングテストやら知識問題やらあるけど落ちたことはない。散々コーディングテストしてきた中で問題の難易度が一番高いと思ったL社も一発で受かるくらいの実力はある
WebアプリやGUIアプリ、自作〇〇などの車輪の再発明してみる系など
そんな面接のスタイルで何がわかるんだよっていうのがある。例えばWeb系だと熱意とスキルが重要視されてると感じたし、今受けてるみんな知ってるG社はオンライン面接で問題を解く中でスキルと課題解決能力、コミュニケーション能力を測っているんだろうと感じた。しかし日系企業は過去の経験を話すだけの誤魔化しがきくものだし、そのなかで謎にチームワークを組んで困難を乗り越えたエピソードがある人が評価されるという仕事に繋がる能力との根拠も分からない要素で採点されているのが本当に分からない。別に技術力ファーストだとは思ってなくて同期には研究でめちゃくちゃ優秀なやつもいるしそういうのもスゴイと思うのだが、それ以上に自分の能力がなくても苦労して分かりやすい凄そうな結果を得られた人を評価する雰囲気が感じられるのだ。言い換えるとヤンキーが良いことした方が評価高いパターンだ（自分としては普段からコツコツ努力していざというときには大した努力をせずに結果を出せてしまう方が評価するべきだと思っている）。
結局ニンゲンは評価する側の尺度でしか他のものを測れないと思うので、さして多様な評価軸になってないと感じてしまう。まぁそれで日系企業は成功しているのだからこの風土は変わらないのだろうね……。
あと以下に自分がされてよく分からなかった発言をまとめる（あくまで一部企業で言われたことです）
こうやって書いてると、特にトップクラスの外資系企業やWeb系は採用過程で本当は能力ある人に偽陰性を出してでも偽陽性（=実力なく企業に入られること）を弾く傾向があるのに対して、日系企業は面接官に合うかどうかに比重を置いたランダムサンプリングな感じが、自分のこれまでの努力を無下にされた気がして不愉快なんだろうなと思いました。
あーー新卒で600万くらいくれてエンジニアさせてくれるところないかなぁ〜〜（みんな知ってるG社は受かると思ってないのでね）
これまで主に通信で使われてきた光技術を、端末やサーバーでの情報処理にも適用します。具体的には、デバイス内のチップ間やメニーコアチップ内のコア間の伝送、チップ内の信号処理なども光化することで、光から電気への変換処理を不要にし、低消費電力や低遅延を実現します。
これがオールフォトニクス・ネットワークです。NTTはオールフォトニクス・ネットワークの目標性能として、低消費電力、低遅延、大容量・高品質の3項目をそれぞれ現在の約100倍の向上を目標としています。
いまGbeはメタル結線だがそこも光になるというかんじなのね。
10GbeのSFPモジュールとか既にあるけどそれの100倍速くて安くなる感じか。
中国がバックドア仕込んだ5G機器を売り込んでくれたおかげで、世界の視点が相対的に日本勢の信頼度をふりかえるようになってくれた感じか。
フーリエ変換やウェーブレット変換くらいまでは良いとして、問題はそこからあとだ。
センサーでデータを取ってくると、ノイズに埋もれていたりして、どうやってノイズを除去するかと悩む事になる。
他に信号だったらピークを検出し、ピークを数えたり、ピークの位置や半値幅を検出したかったりする。
オーバーシュートを無視して振幅を測りたかったりする。(アンダーシュートとオーバーシュートの振幅を検出しがち）
知っている人は知っているのだろうが、Googleで”アルゴリズム"と入れてしまうと、プログラミングよりのアルゴリズムしか出てこない。
"信号処理"+"アルゴリズム"だと、フーリエ変換やラプラス変換は出てくるが、そこから先が出てこない。
書籍も似たようなもので、信号処理の本を探すとフーリエ変換やラプラス変換あたりで止まっている。
"時系列データ"で検索すると、横軸が日付になるか、株価といったものになり、求めてるのとは違ってくる。
matplotlibが定番で、より綺麗なグラフを描くならseabornと言われているが満足できなかった。
ここ(https://qiita.com/skotaro/items/cdb0732ad1ad2a4b6236)にあるようなグラフは参考にしているが、もう少し応用をと思うと難しい。
TableauかPowerBIのような色合いが欲しい。
ディープラーニングをやっていて、むしろかっこいいグラフを描くのを学習してくれと思う。
エクセルでのグラフも手修正にかなり時間がかかるが、Pythonで描いて調整してを繰り返すのは時間がかかって仕方ない。
Plotlyでも良いのだが、こちらも修正しようとすると一仕事となる。
信号処理をしたり、FPGA用のHDL吐き出したり、画像処理やロボット制御はMATLABを使っていた。
Pythonのライブラリはかなりあるのだが、OpenCVとの連携はいいが、ハードとの連携になると微妙に不便。
MATLABも使いやすいかといわれると微妙である。あと高い。Juliaに期待してるがグラフを描くところで早くなくて躓く。
(MATLABをPythonで呼び出せばいいじゃんと言われそうではある)
論文の検索だと、google scholarやhttps://app.dimensions.ai辺りを使っている。
Mendeleyでそれなりに満足しているが、煩雑な感じもするので、もう少し良いのがあれば知りたい。
THKのリニアモータ（http://www.ea-thk.com/?q=ea_jp/node/3903）とか三菱のLM-H3あたりが欲しい。
高速かつスムーズに動く。
ACサーボはロータリーエンコーダのおかげで精度は出るのだが、速度が欲しい。
レニショーやミツトヨのが欲しいのだが、Amazonや楽天などでは買えない。eBayも、AliExpressもない。
3Dプリンターの精度を上げるなら必須ではないかと思うのだが、売ってないので試すことができない。
ブート関係やパフォーマンスチューニングに欲しい。普通に買えない。
RISK-V用のそろそろ出てきて欲しい。
サーボ用のが欲しい。Amazonだと良いのがない。
Amazonですら売ってなくて困る。
色覚異常補正レンズがインチキか否かということで揉めているが、まず、医療器具として医療保険の対象では無いということが何を意味するかは大人であれば解ると思う。
ついでに、目が色を識別する原理について、色弱の人も普通の人も少し勉強してほしい。
とりあえずWikipedia
https://ja.wikipedia.org/wiki/%E9%8C%90%E4%BD%93%E7%B4%B0%E8%83%9E
何が言いたいかというと、注目してほしいのは、「人間の錐体細胞 (S, M, L) と桿体細胞 (R) が含む視物質の吸収スペクトル」というグラフ。
普通の人でも、緑を感じる錐体細胞(M)と、赤を感じる錐体細胞の受光特性(L)は、ごく僅かしか違わないということだ。
大部分が重複してしまっているので、これを色覚異常補正レンズで補正する事は難しい。かといって、完全にムダとも言いきれない。
緑と赤の錐体細胞の受光特性は、ごく僅かしか違わないのに、なぜ普通の人は赤と緑をしっかり明確に識別できるのかということは、おそらく脳内で複雑な処理をしているからだろうと色々な推定が為されているが、はっきり「これだ！」と解明されている事はごく僅か。だから、色覚異常補正レンズで少し補正しただけでも、結果的に予想以上の効果をもたらす可能性も否定できない。脳内の信号処理のもんだいまで絡むとなると、解らない事だらけなのだ。
ポイントは、「普通の人手も、緑と赤の錐体細胞の受光特性は、ほんのちょっとしか違わない」ってこと。今日はこれを覚えて帰ってほしい。色弱の人が、健常者と何か根本的に大きく違っている訳じゃない。ほんのちょとの差でしかない。ここは本当に声を大にして言いたい。
色覚異常補正レンズは、原理的に、残念ながら望みは薄い。が、かといって「完全にインチキ」と証明できるほどの根拠が揃っている訳でもない。少しでも役にたっている人が居ることも事実。過度な期待はせず、ダメモトで試してみる、ぐらいの感覚がちょうど良いのだと思う。
俺も身に覚えがあるような話だ。
俺は学生時代、他の増田が言ってるような「プログラミングで稼げば」っていうのを数年前に実際やってた。当時は工学系の学生だった。どことは言わないけど偏差値で言うと58程度の大学。
借りてた奨学金は学部時代が5万で、大学院時代は研究に集中したかったので8万にしていた。どちらも2種。親からの仕送りは学費の分のみ。
ただ、どうしたって稼ぎ方を覚えるに従って「もう大学いる意味あるのか？」とか「授業出るより研究するよりプログラミングした方がよくないか？」といった風になる。
ただでさえ金のない中高生時代を過ごしていた俺にとって、少し頑張れば贅沢できるというのは麻薬だった。
そうして、学業がおそろかになり、大学院は中退してしまったが、職も得て元気でやってる。
参考になるか分からんが、元増田には共感するし応援する。 10万稼いでるなら既にプログラミング系のバイトなのかな？ 大学に行きながらそれだけ稼いでるなら大したもんだ。
応用情報を取ろうとしてるならそれも良いが、大学で学ぶべきことってのはそういう資格試験のような場当たり的な学びじゃなく、大きな事だ。
線形代数、数学やデータ構造、アルゴリズム、信号処理、そういった知識を身につけるべき。
増田の書き込みを見てると「大学の勉強」と「バイト」だけじゃなく、将来の不安から「資格試験の勉強」をしようとしてるようだけど、それは今ゼッタイに必要なのか？
少し肩の力を抜いてみても良いかもしれない。今のITはネットでブラックブラック言われるほど酷い状況じゃない、良い会社に入れれば着実に実力を伸ばして、良い収入に繋がるはずだ。
健闘を祈る。
ウェブ系，人工知能系，ソーシャルメディア系の国際会議〆切メモ．
まぁネタで訊いたんですけどね…。
これも実際問題（特に企業での採用とかでは）情報系の独壇場って感じだね。
金融のがまだマシ。
"Pattern Recognition and Machine Learning"のビショップも物理出身だけど、あの年代は確かにそういう色が強かったのかもしれない。
金融はまだ金融専攻がほぼ無い状態だから物理や数学出身者が入り込む隙が多い気がする。
全然高度じゃないです＞＜
情報幾何とかは（無駄に）高度だけど、実用性はあんまないオナニー（しかも日本でしか流行ってない）感があるし。
CVのレイトレーシングで経路積分使って云々というのもあったけど（その人はGoogleに言ってアドセンスかなんか作ってるらしい）、あれもまぁ適当なパス空間で平均とるだけって感じがするし…。
画像処理とかでマルコフ確率場の統計物理学的な解析（イジングモデルとかポッツモデルとか出てくるアレ）でレプリカ法とか繰り込み群とか使ってるのも見たことあるけど（結構前の研究だからきっと今はもっと進んでいるはず）、企業で使うことってあるのかなあ。結局性能はあんま変わらないからもっとシンプルなモデルでいいよとかなってそう。だったら物理の奴なんかいらねーじゃんみたいな。
これは…どうなんだろうか？
普通に日本の伝統的新卒採用でそういう会社に行く人はいるけど、やってることは工学とかあるいは良くわからない専攻の人と同じな気がする。これはちょっと曖昧だけど。
これはガチだね。
特に情報系の分野は実装力で評価されることが多いし…。実装力は数値計算得意とかそういうのとは全く別のスキルだよね。プログラミングマニア的な要素が必要。
あとはまぁお決まりの暗号分野とかもあるけど、暗号じゃそんなにイス無いだろうし…。
最近はやっぱデータマイニング系に流れてるのかなあ。あれも数理的な素養というよりは職人芸的な色彩が強いけど。
という感じで実際問題厳しいなあと思います。
