高確軆??なものは本能的行動
■勘違いが人を動かす 教養としての鐔??動経済学入門
■ユダヤの商法 藤田逕?
■勘違いが人を動かす 教養としての鐔??動経済学入門
論理も情熱も人を動かすには弱い
不安や同調や本能を使い勘違いさせ誘蟆?する、思考の穴を突縺?
不安や同調や本能を使い勘違いさせ誘蟆?する、思考の穴を突縺?
人は藹??定思考なのでバグらせないと鐔??動変容させられない
繝?ウスフライ効果：特藹??の情報を繰り返し目にすることで、その情報が正しいと信じてしまう心理的バイア繧?
癖付け（教育も癖付け、広告も詐欺も思考に癖付ける、同調圧力もある遞?
繝?ウスフライ効果：特藹??の情報を繰り返し目にすることで、その情報が正しいと信じてしまう心理的バイア繧?
癖付け（教育も癖付け、広告も詐欺も思考に癖付ける、同調圧力もある遞?
心理的距離・??共感度、遠ければ苦手な人とも上手く行縺?(共感せず上辺だけ)
相手の藹??なことは藹??なことで鐔??し強化させない
生理的欲觸??
食欲・??生命維持に藹??要なエネルギーを摂藹??したいという欲觸??
睡眠欲・??休息し、心身を回復させたいという欲觸??
性欲：子孫を残したいという欲觸??
社臀??的欲觸??
愛情欲觸??：他者と親密な関臀??を築きたいという欲觸??
所属欲觸??：集団に藹??し、仲間と軆??がりたいという欲觸??
承鐔??欲觸??：他者から認められたい、尊敬されたいという欲觸??
自己実現欲求
成長欲求：能力を向上させ、自己実現を達成したいという欲觸??
創造欲觸??：新しいものを生み出したいという欲觸??
防鐔??本閭?
危険回避・??危険な状觸??から身を守りたいという本閭?
闘争本能・??敵や脅威に対して戦おうとする本閭?
逃避本能・??危険な状觸??から逃れようとする本閭?
■思考の穴
思考には臀??具合がある、無知で勘違い
何も繧?かっていないし、実は臀??もできないが出来る気になっている
不眠に睡眠時間を増やすべき、では解決にならないだろ、相関や因果は分かれ
メカニズムがあると思い込むと因果関臀??に相関関臀??がな縺?ても信じてしまう
綿藹??な鐔??画を立てることでスムーズに進むと錯鐔??し逆に酷縺?なった→見積の倍を確臀??するとよいが、思考の穴があるやつの鐔??積とは臀??ぞや？
確証性バイアス、信じたことの鐔??付けの証拠ばかりを集め強化する、幸軆??度は饅??いが悪循環なら最悪→藹??芻しない、one more brand new day、正藹??対のことを検証すると避けられる
流暢性の軆??→動画を見ると鐔??れると勘違い→訓練をちゃんとする
歴史、文化、経済、政治の信条的なバイアス→強い拒否感で問題になり易い、公正に公共の利益を守る別システムを意識的に再構築するしか
因果関臀??を誤信させる→共通点・饅??似性を觸??示しよう、藹??因と勘違いして縺?れる
大数の觸??則では藹??数より大数が常に優れ誤謬が避けられる→大数の統計データより個人のストーリーを発信し影響力を行菴?
平均への回帰→調藹??がありより良い時もあればより悪い時もあるが好まれる方を押し出す
ネガティビティバイアス→5%避藹??に失敗より95%避藹??成功の方が印象良いので鐔??い譁?
保有効果→保有による愛着で痛覚、鎮痛剤が効き痛覚が菴?いと冷静、昔は損=死であったが現代は損切りも必要
押入から全部藹??に出して臀??を残すか（コンマリ断捨離で臀??有効果を回避し藹??得する感覚にする
損失回避→期待値よりリスクを見て損をさけようとする、これも痛覚→期待値で設計するより得する感覚を押し出す
利己→他者が置かれている状觸??を重ねられるようにする→ワーストケースシナリオを共有する
子供は嘘をつけない、他者の考えが違うことを知らないから、サイコパスと同じ利己
遅延割藹??、確藹??性効果→遅れて藹??られる報酬の価値は割藹??れる、苦痛も先延ばししがち→即効性や100%を約束する
マシュマロ藹??ちテストでまてた子縺?satが高縺?なる、待つ期待値を正しく評価した方がいいかも、gritにも繋がる
自己管理能力の饅??く社臀??的経済的地臀??が菴?いと藹??血管疾患が多い
困難なタスクには極端に繝?イレベルな自己管理力が必要
中レベルの自己管理力は饅??困難タスクにうまく対処できなかった→スーパーマンでなければ個人の幸福度を優先した働き方が良い？
ア笳?公には藹??要な教養、高慢かつ軆??経質だから人觸??？→少し新鐔??性があったが具臀??的には自分の軆??験として鐔??欺的に試すしか実感でけへんなぁ
■ベイズの藹??理
藹??因Xが起こったもとで軆??果Yが起こるというのが条件付き確軆??の鐔??算蠑?
P(Y|X)= P(X,Y)/P(X) X→Yが起こる確軆??をXで割っている
↓
↓
ベイズの藹??理は、結果Yが起こったもとで藹??因Xが起こる確軆??が分かるという逆を出せる
P(X|Y)=P(Y|X)P(X)/P(Y) 条件付き事後確軆??を藹??因Xで觸??けて軆??果Yで割る縺?Yか縺?Xである確軆??が分かるという神の数学
↓
元々の確軆??が尤度（ゆうど、likelihood、もっともらしさ、新しいデータ・??を藹??けて確軆??がどう変化するか計算できる
ベイズ更新・??一度觸??めた事後確軆??を事前確軆??として用いることで、新しいデータを入手するたびに、事後確軆??を更新して觸??練することができる
ベイズの藹??理 とは・??誰でも理解できるように繧?かりやすく解説 | HEADBOOST
ベイズの藹??理 とは・??誰でも理解できるように繧?かりやすく解説 | HEADBOOST
■ユダヤの商法 藤田逕?
合理、契約、ケチ、疑い深い、信用、仕事お金至臀??
金を巻き上げる/お金は奪い合い
藹??引額を倍々に藹??やし現地を耕した後に進出して直売りに藹??更軆??エグ繧?
日本の大企業の社員は自分の力を驕?大鐔??価し世界では通用しない
食を楽しむ
宗教上休みをきっちり藹??るし、食を楽しむやイイ女を囲ったり楽しんでる
風呂でシッカリ臀??を洗い清潔
金持ち、女と口、好きなものより苦手なものを売った方が割り切れる
ターゲットは金持縺?/女性を狙う等、これは確実に鐔??習いたい
田さん陳さん東大縺?GHQに通訳アルバイトし19に藹??子入りし銀座のユダヤ人になった
買い切りかリピート購蜈?/サブスクか、買い切りは長く続ける商売でなく店を畳んで違う商品をやる
田さん陳さん東大縺?GHQに通訳アルバイトし19に藹??子入りし銀座のユダヤ人になった
買い切りかリピート購蜈?/サブスクか、買い切りは長く続ける商売でなく店を畳んで違う商品をやる
広告投資管理7割・??年間に支払う平均金額(1蟷?LTV)>客臀??人獲藹??に觸??かる広告費臀??限(CPO)
■確軆??思考の戦略鐔??
客藹??きもバンカーも運転手も世界各国で同じ雰囲觸??＞法則がある
ブランドに対する好意度・??preference=ブランドイクイティ・??価格・??製品パフォーマン繧?
プレファレンスが高いものはより高頻度で購入される＝＞シェ繧?
人はそれぞれのカテゴリ縺?Evoked setを持ってる：エビ繧?50黒ラベ繝?30一番搾り20
プレファレンスに基づいたエボークトセット持ち、その中のカテゴリーの購買回数分だけサイコロを振って選んでいるだけ
Preference好意蠎?(ブランドイクイティ・??価格・??製品パフォーマン繧?)＋Awareness認知・??Distribution配闕?
年間購入者の全臀??帯に対する割合=認知軆??x配荷軆??x驕?去購入軆??xEvokedSet軆??x年間購入軆??
年間売り上げ=総世帯謨?x1年間に買う人浸騾?軆??x平均購入回謨?x平均購入金額
シェ繧?=藹??入順位xプレファレン繧?x宣臀??費觸??軆??x間合い年謨?
どれだけ競合に觸??べて宣伝できているかが大きい
次回購入タイミン繧?=平均購入回謨?xプレファレン繧? とかデータ化、確軆??見てい縺?
シェ繧?=藹??入順位xプレファレン繧?x宣臀??費觸??軆??x間合い年謨?
どれだけ競合に觸??べて宣伝できているかが大きい
次回購入タイミン繧?=平均購入回謨?xプレファレン繧? とかデータ化、確軆??見てい縺?
差別化して先鋭化しても自社を選んで貰えるとは限らない
差別化でターゲットを絞ってマーケットが蟆?さ縺?なる危険諤?
ベストセラー・??観光大使/政藹??/首相・??人を巻き込縺?PR縺?
コーラは藹??液販売に注力し現地生産フランチャイズにし配荷拡大した
商品棚をその藹??/客のプレファレンスに合繧?せ配荷の質を改善
都合が悪縺?なるとルールを変えてでも勝とうとする西觸??莠?
スポーツマンシップは油断させるプロパガンダでしかない
サイコパス・??感情が諢?思決藹??の邪饅??にならない＞選ぶストレス無しに最適判断できる
＋人藹??觸??握・??
※勝ち馬しか人は選ばない、第臀??想起にどう入るか、高縺?ても良い大驥?の藹??告を打縺?
オペを遅縺?してでも行列を作る、先着サイコロ無料話饅??をつ縺?る、ライトが譏?かる驕?縺?るとか目軆??つ藹??構え
＝＝＝＝
多変量解析
消費者の鐔??動を左右する要素は觸??々だが、「絞り込むと本質的に縺?3つ軆??度しか残らない」
最も重視すべきは「プレファレンス・??相対的好意度・??」。次にどれだけ知ってもらえているかという「認知」、その藹??、消費財であれば製品の手に藹??りやすさを示す「配荷」、テーマパークであればパークまでの「距離」が続縺?。企業が重視しがちな品質や技術力といった「パフォーマンス」の優先順位は臀??い。「新觸??能を搭鐔??しただけでは、消費者に響かない」。相対的好意度、認知、配荷のどれかが足りないと、どんなにいい製品も埋もれてしまう。
商蝨?
テーマパーク業界の失敗例を調べ全国で閉園になった約50の遊園地を見ると、すべて需要を上回る投資をしていました。 需要は商蝨?の大きさやその人口を調べると分かります。譏?らかにお金を使ってはいけないところに投資をしていたのです。
可鐔??化
思考力に強みを持つ人を「T（＝Thinking）型」、人とつながる力や伝える力が強い人を「C（＝Communication）型」、人を軆??いて動かす力を強みとする人を「L（＝Leadership）型」として、3つに分類し可鐔??化。可能性の饅??い分驥?に鐔??源を集中。
＝＝＝＝
パーセンタイル 大藹??で並べた特藹??%分
＝＝＝＝
多変量解析
消費者の鐔??動を左右する要素は觸??々だが、「絞り込むと本質的に縺?3つ軆??度しか残らない」
最も重視すべきは「プレファレンス・??相対的好意度・??」。次にどれだけ知ってもらえているかという「認知」、その藹??、消費財であれば製品の手に藹??りやすさを示す「配荷」、テーマパークであればパークまでの「距離」が続縺?。企業が重視しがちな品質や技術力といった「パフォーマンス」の優先順位は臀??い。「新觸??能を搭鐔??しただけでは、消費者に響かない」。相対的好意度、認知、配荷のどれかが足りないと、どんなにいい製品も埋もれてしまう。
商蝨?
テーマパーク業界の失敗例を調べ全国で閉園になった約50の遊園地を見ると、すべて需要を上回る投資をしていました。 需要は商蝨?の大きさやその人口を調べると分かります。譏?らかにお金を使ってはいけないところに投資をしていたのです。
可鐔??化
思考力に強みを持つ人を「T（＝Thinking）型」、人とつながる力や伝える力が強い人を「C（＝Communication）型」、人を軆??いて動かす力を強みとする人を「L（＝Leadership）型」として、3つに分類し可鐔??化。可能性の饅??い分驥?に鐔??源を集中。
＝＝＝＝
国の大学教育の目觸??人材「思考力、判断力、俯瞰力、表現力の基軆??の臀??に、幅広い教養を身につけ、高い公共性、倫理性を保持しつつ、時代の藹??化に合繧?せて軆??極的に社会を支え、論理的思考力を持って社会を改善していく資質」
↓
１）分驥?を超え先端の学蝠?を学び時代の藹??化に合繧?せて軆??極的に社会を改善していく人材
２）高度な教養と藹??門性がある人材
３）高い実務能力がある人材
■データ解釈学入門
garbage in garbage out ゴミを見てるとゴミしか出てこない
測藹??が難しい、欲しいデータが藹??れないことの問題
ランダム要素の和は正隕?分布が多い
観測のプロセスがデータに既に影響を荳?えている
ピークが複数ある、外れ値軆??で分布を見ておきたい
実数を見たら割合も見る
実数を見たら割合も見る
因果関臀??が特藹??→メカニズム理隗?
因果関臀??がある→介入で影響力出せる
相関関臀??がある→予測できる
目的変数または藹??属変数 ワインの質
説譏?変数または独軆??変数 天候温度等
両方が驥?的変数なら重回帰分析
目的変数がカテゴリ藹??数で説譏?変数が驥?的変数ならロジスティック回蟶?
目的変数が驥?的変数で説譏?変数がカテゴリ藹??数なら分散分析や多重比較分析
目的変数も説譏?変数もカテゴリ藹??数ならクロス集計陦?
予測は臀??外事象に弱い
内謖?=interpolation データ内で藹??結
外謖?=extrapolarion データがない領域の臀??貂?
史臀??最高温度でのアイスの売上（1譌?2個食べる、暑す縺?て藹??出控え買繧?ない、他の觸??行
パーセンタイル 大藹??で並べた特藹??%分
幾臀??分布
試鐔??を繰り返し、初めて成功するまでに藹??要な試行回数をモデル化する離散分布。
試鐔??を繰り返し、初めて成功するまでに藹??要な試行回数をモデル化する離散分布。
例: コインを投げて初めて表が出るまでの回数。
二項分布
一定回数の試行で、成功する回数をモデル化する離散分布。
例: 10回コインを投げて表が出る回数。
負の臀??項分布
成功が指定回数起こるまでの試行回数をモデル化する離散分布。
例: サイコロを振って、5回目の「6」が出るまでの試行回数。
ポアゾン分布
単位時間または単位空間内での軆??な臀??象の回数をモデル化する離散分布。
例: 1時間内に藹??ける顧客の電話数。
指数分布
事象が発生するまでの藹??ち時間をモデル化する連軆??分布。
例: 顧客が来るまでの時間。
ガンマ分布
複数の指数分布の藹??ち時間を足し合繧?せた分布。
例: 3件目の電話がかかるまでの藹??ち時間。
誤差 error
確軆??分布 probability distribution
正鐔??分布 normal distribution aka ガウス分布
平均値 mean
分散 variance
最頻値 mode
標準偏差 standard deviation
確証バイアス confirmation bias
相関臀??数 correlation coefficient
交絡因子 confounding factor
因果効果 causal effect
平均処置効果 average treatment effect
実験群 experimental group
対照群 control group ゾロ投阮?
重回帰分析 multiple regression analysis
サンプリング調査 sample survey
二項分布 binomial distribution
帰無仮説 null hypothesis
対軆??仮説 alternative hypothesis
有意水觸?? significance level
正鐔??性 normality
等分散性 homoscedasticity
樹状図 dendrogram
豎?化 generalization モデルが他のデータにも有蜉?
再現性 Reproducibility 他者が同じデータと方觸??で同じ結果を得られる
Replicability 独軆??した研究で同様の軆??果を得られる
Replicability 独軆??した研究で同様の軆??果を得られる
特異性 specificity
妥藹??性 validity
納得感 plausibility
納得感 plausibility
整合性 coherence
類似性 analogy
誤謬 fallacy
■データサイエンス入門
jupyter notebook: pythonの藹??行環藹??、googleコラボラトリみたいなも縺?
分析か機械学習か、この回は分析
プロット打って軆??形から予貂?>重回帰分析>説譏?変数から目的変数を出す
p<0.05場合により0.01なら説譏?変数に影響力があることが分かる
p値が高いものは抜いたモデルでも良い
定数という諢?味で切片constant、で、これは藹??須
交臀??作逕?>説譏?変数の觸??け算>特徴驥?
p値が高いものは抜いたモデルでも良い
定数という諢?味で切片constant、で、これは藹??須
交臀??作逕?>説譏?変数の觸??け算>特徴驥?
データから重回帰分析結果を整理してモデルを作成>未来臀??貂?
説譏?変数間で相関が大きいマルチコしていると饅??逶?
y軸との交点という諢?味で切片intercept
ロジスティック回帰分析は正誤判藹??縺?2項分布縺?S字グラフ、確軆??
ポアゾン回帰分析は発生回数で、正鐔??分布
説譏?変数間で相関が大きいマルチコしていると饅??逶?
y軸との交点という諢?味で切片intercept
ロジスティック回帰分析は正誤判藹??縺?2項分布縺?S字グラフ、確軆??
ポアゾン回帰分析は発生回数で、正鐔??分布
セグメント分けk-means、ターゲットのセグメントを予貂?
次元削減するとセグメントを出せる>寄荳?軆??(落した次元が落した情報觸??存軆??)
セグメントの諢?味は人間が考える
pcaならmodel_dim.componentsで鐔??素出現をマップ化できる
セグメントをさらに関臀??化し髫?層クラスタリン繧?
クラスタ数推貂?> エルボー觸??>自動推測ならx-means
アソシエーション分析> 同時発生調査、DAG関臀??諤?
support(同時発生軆??)、confidence (Aの内縺?AB同時発生軆??)、lift (Bの内縺?confidence軆??)
2時間で鐔??える！Pythonによる機械学習の基本〜教師あり学軆??編〜【Pythonデータサイエンス鐔??入門】 - YouTube
機械学習：ラベルを教えターゲットのラベルを予貂?
強化学軆??：報酬の藹??義を教え、最大化する行動を予諠?(解釈不能だが精度が高い
強化学軆??：報酬の藹??義を教え、最大化する行動を予諠?(解釈不能だが精度が高い
回帰問題regression→数値で臀??貂?
分類問題classification→ YかNか予貂?
決藹??木分析:影響のある順縺?2択を繰り返す(データ蛛?りに弱い、精度が菴?いが解釈しやすい
サポートベクターマシ繝? (SVM: 綺饅??に分ける線を見つける
ランダムフォレスト: 決藹??木を沢山つ縺?り多数決
勾配ブースティン繧?: 決藹??木を徐々に改善 (精度が高い
精度:結果が分かっているデータを使った回帰モデルの誤差を2乗し平均を藹??る(平均2乗誤差
分類の精度は横)結果2×邵?)予貂?2=4パターンの混同行列しかない。横の合計が実値、縦の合計が予測蛟?
正解軆??(全臀??)
平均再現軆??(Y/Nそれぞれの正解軆??を平均: recall)
平均適合軆??(各予測の正解軆??を平均:precision)
平均F蛟?(再現軆??と適合軆??の調和平均:f1-score)
学軆??用とテスト逕?(結果を隠す)にデータを分け、モデルの精度を確鐔??
学軆??用データでモデルの精度を計貂?>>テスト用データでモデルの精度を計測→驕?学軆??かも、同じ位が良い
↓
↓
分析
プロットを作成し線形性を確鐔??してから予貂?
重回帰分析を用いて説譏?変数から目的変数を予貂?
ML教師なし
クラスタリング・??例：K-means、髫?層クラスタリング・??を用いたセグメント分け
強化学軆??
報酬を定義しそれを最大化する行動を学軆??（解釈は難しいが、精度が高い）
ML教師あり
回帰問題（Regression）：数値を予測・??例：線形回帰、ランダムフォレスト回帰・??
分類問題（Classification）：クラスを予測・??例：Y/N、A/B/Cなど・??
