2017年12月15日金曜日

「R によるやさしい統計学」を Python で実習する 第 3 章

引き続き第 3 章。jupyter notebookをhtmlにする方法が分かったので、それをコピペした。

BloggerにJupyter Notebookを貼り付ける方法

第3章 2つの変数の記述統計

相関(量的変数同士の関係)や連関(質的変数同士の関係)について

In [20]:
import statistics as stat
import numpy as np
import matplotlib.pyplot as plt

stat_test1 = np.array([6,10,6,10,5,3,5,9,3,3,11,6,1,9,7,5,8,7,7,9])
stat_test2 = np.array([10,13,8,15,8,6,9,10,7,3,18,14,18,11,12,5,7,12,7,7])
psych_test = np.array([13, 14, 7, 12, 10, 6, 8, 15, 4, 14, 9, 6, 10, 12, 5, 12, 8, 8, 12, 15])

# https://pythondatascience.plavox.info/matplotlib/%E6%95%A3%E5%B8%83%E5%9B%B3
plt.scatter(stat_test1, stat_test2)
# 他の図とスケールを合わせる為にx,y軸の最小最大値を指定しておく
plt.ylim(0, 20)
plt.xlim(0, 20)
plt.show()
In [16]:
plt.scatter(psych_test, stat_test1)
plt.ylim(0, 20)
plt.xlim(0, 20)
plt.show()
In [17]:
plt.scatter(psych_test, stat_test2)
plt.ylim(0, 20)
plt.xlim(0, 20)
plt.show()
In [72]:
# 共分散
# https://docs.python.jp/3/library/statistics.html
cov12 = np.mean((stat_test1 - np.mean(stat_test1)) * (stat_test2 - np.mean(stat_test2)))
print(cov12)

# 不偏共分散
uncov12 = np.sum((stat_test1 - np.mean(stat_test1)) * (stat_test2 - np.mean(stat_test2))) / (20 - 1)
print(uncov12)
# なんか書籍と計算結果が違う
3.55
3.73684210526
In [77]:
# 相関係数
# https://qiita.com/takaki@github/items/247ada674b594dd8fdce
cor12 = cov12 / (np.std(stat_test1) * np.std(stat_test2))
print(cor12)
cor12np = np.corrcoef(stat_test1, stat_test2)
print(cor12np[1,0])
0.333212171275
0.333212171275
In [90]:
# クロス集計
# http://docs.pyq.jp/python/pydata/pandas/pivot_table.html
import pandas as pd
df = pd.DataFrame({'math' : np.array(["h", "h","l","l","h","h","h","h","h","l","l","h","l","h","h","l","h","h","h","h"]),
                   'stat' : np.array(["l","l","l","l","h","h","h","h","h","h","l","l","l","h","l","h","h","h","h","h"])})
df.pivot_table(index='math', columns='stat', aggfunc=[len])
Out[90]:
len
stat h l
math
h 10 4
l 2 4
In [97]:
# ファイ係数
# 内包表記で変換
# http://www.lifewithpython.com/2014/09/python-list-comprehension-and-generator-expression-and-dict-comprehension.html
mathd = [0 if x == 'h' else 1 for x in df['math']]
statd = [0 if x == 'h' else 1 for x in df['stat']]
print(mathd,statd)
print(np.corrcoef(mathd,statd)[1,0])
[0, 0, 1, 1, 0, 0, 0, 0, 0, 1, 1, 0, 1, 0, 0, 1, 0, 0, 0, 0] [1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 1, 0, 0, 0, 0, 0]
0.35634832255

2017年12月13日水曜日

「R によるやさしい統計学」を Python で実習する 第 2 章

統計学の勉強の続き。

良書と評判の「R によるやさしい統計学」を写経しながら進めていくのだけれど、R という言語自体に僕は然程興味が無い。この本の中で出てくる R のコードを Python に換えて実習していく。

第 1 章は R の環境設定の話なので飛ばす。

第 2 章は「1 つの変数の記述統計」という章題。要するに平均値とか中央値の話。

最初に A,B,C,D の要素を持つリストがあって、そのリスト内のそれぞれの要素の出現頻度 (度数分布) を求めている。R では table () という関数で簡単に出来るらしい。Python にはこれがないので、collections モジュールを使う。

instruction = ["C", "B", "B", "A", "B", "C", "A", "D", "D", "D", "A", "A", \
"A", "C", "B", "D", "C", "C", "B", "D"]

from collections import Counter

counter = Counter(instruction)
for word, cnt in counter.most_common ():
 print(word, cnt)

出力はこんな感じ。

 C 5
 B 5
 A 5
 D 5

ヒストグラムを描く。

psych_test = [13, 14, 7, 12, 10, 6, 8, 15, 4, 14, 9, 6, 10, 12, 5, 12, 8, \
8, 12, 15]

import matplotlib.pyplt as plt

plt.hist(psych_test,bins=6)

平均、中央値、最頻値を求める。数理統計関数モジュール statistics を使う。

import statistics as stat
stat.mean(psych_test)   # 平均
stat.median(psych_test) # 中央値
stat.mode(psych_test)   # 最頻値

母分散、母標準偏差、標本分散、標本標準偏差。同じく statistics モジュール。

stat.pvariance(psych_test) # 母分散
stat.pstdev(psych_test)    # 母標準偏差
stat.variance(psych_test)  # 標本分散
stat.stdev(psych_test)     # 標本標準偏差

参考

2017年12月7日木曜日

【今日の読書】心理統計学の基礎 統合的理解のために

書名: 心理統計学の基礎 統合的理解のために
著者: 南風原 朝和
出版: 有斐閣アルマ
ISBN: 978-4-641-12160-7

題名は心理統計学とあるが、例題が心理学に関連しているだけで内容自体は初級から中級程度の統計学。

ただ数学の苦手と思われる (例えば心理学専攻の) 文系学生を対象読者に据えているので、説明が丁寧だけれどもいたずらに詳細だったり、証明や式の導出ばかりになっていない。

手っ取り早く統計の実際的な部分を勉強がしたいけれども、特に重要な概念だけは丁寧に説明してほしいという我侭な社会人にも良い塩梅の本。

7 章の線形モデルの説明あたりから、ベクトルが登場するので先に行列 (線形代数) の基礎を抑えておくと良い (「キーポイント線形代数」がお勧め)。7 章にある自由度に関する説明は非常に分かりやすかった。

10 章の因子分析は、もろに機械学習やディープラーニングと関連していそうなので腰を据えて再読したい。

2017年12月1日金曜日

心理統計学の基礎 第六章 備忘録

第六章は平均値差と連関について。

といってもそもそも「連関」とか初耳用語。

この章は実際に検定の計算の流れを示しているので、概念的な説明は比較的少ない (のでメモが少ない)。

## Sec1

2 群 (つまり何らかの仕方で分かたれた 2 つのグループ) の比較を考える。1 つめの群を第 1 群、第 2 群と呼ぶ。例を出すとすると、ある中学校の試験の成績を評価する時に、男子だけで構成された群、女子だけで構成された群というのを比較する。

母集団に於ける従属変数を $y$ と表すとして、それぞれの群の母集団平均を $μ_{1}$、$μ_{2}$ として共通の分散 (それぞれの群の分散は等しいと仮定) を $σ^{2}$ とする。

独立な群 (independent groups)
 各群の標本抽出が独立に行なわれている群。

対応のある群
 独立な群と逆で、各群が一定の方法で抽出されている群。例えば、成績 1 位を 1 群、2 位を 2 群、3 位を 1 群、4 位を 2 群……というように弁別した場合は対応のある群となる。

平均値差の標本分布
 母集団に於ける従属変数 $y$ の平均値差 $μ_{1}-μ_{2}$ に関する検定や推定には、母集団の値自体は不明なので、当然 $y$ の標本である標本平均 $\overline{y_{1}}$、$\overline{y_{2}}$ の差が使われる。母集団の分散が等しく、独立した 2 群の場合、標本平均差の標本分布は正規分布となる。

## Sec5

質的変数
 ある・なし、はい・いいえ、男女のような値を取る変数。

連関 (association)
 質的変数同士の相関の事。

カテゴリ変数
 質的変数のうち、賛成・やや賛成・やや反対・反対のような順序性のあるカテゴリを持つ変数の事。

連関表 (contingency table)、クロス集計表 (cross tabulation)
 カテゴリ変数間の連関を示す表。

$χ$ (カイ) 二乗統計量 (chi-square statistic)
 カテゴリ変数間の連関を表す指標。

周辺度数
 変数 $x$、$y$ がそれぞれ $a$ 個と $b$ 個のカテゴリを持つとすると $a \times b$ の大きさの表にこれを纏められる。この表の各セルの度数を $n_{ij}$ とした時、各列、各行の合計の欄の度数の事を周辺度数と言う。

例えば、それぞれの変数を

x: マジックアイテムのレアリティ (コモン、アンコモン、レア、ヴェリィレア、レジェンダリィ)
y: マジックアイテムの種別 (リング、スタッフ、ワンド、ロッド、ウェポン、アーマー、ワンダラスアイテム、スクロール、ポーション)

とすれば、これの対応表を作る事が出来る。

あるセルの度数 $n_{ij}$ の期待値を $e_{ij}$ と表記する。例で言えば、レアのワンドの総数 (度数) が $n_{ij}$、マジックアイテム全数に対するレアのワンドの割合が期待値 $e_{ij}$ になる。

全体の度数 (マジックアイテム全数) を $N$ とした時、2 変数間に連関が全く無い場合の $(i,j)$ セルの度数の期待値は
\[
e_{ij} = n_{i} \times \frac{n_{j}}{N}\\
 = \frac{n_{i} \times n_{j}}{N}
\]
となる。これを連関が無い時の推定期待度数と呼ぶ。

カイ二乗統計量は、この推定期待度数 $e_{ij}$ と実際のセルの度数 $n_{ij}$ との際を次式で評価したものを言う。
\[
χ^{2} = \sum_{i=1}^{a} \sum_{j=1}^{b} \frac{(n_{ij} - e_{ij})^2}{e_{ij}}
\]

クラメルの連関係数 (Cramer's measure of association)
 カイ二乗統計量を次式の様に加工したもの。
\[
V = \sqrt{\frac{χ^{2}}{(min (a,b) - 11) N}}
\]
この連関係数は
\[
0 \leq V \leq 1
\]
の範囲を取る事が分かっている。

$χ$ 二乗検定
 母集団に於いて 2 つのカテゴリ変数間の連関が全く無いという帰無仮説を検定する方法。カイ二乗統計量が、その帰無仮説のもとでカイ二乗分布と呼ばれる確率分布に近似的に従う事を利用する。

心理統計学の基礎 第五章 備忘録

五章は推定と検定について。

僕にとってはこのあたりからが難関。

## Sec1

推定 (estimation)
 点推定: 1 つの値によって母数を推定する
 区間推定: 母数がある区間に含まれると推定する
検定 (statistical test)

推定量 (estimator)
 母数点推定のために用いられる標本統計量

推定値 (estimate)
 実際のデータから計算される推定量の値

不偏推定量
 推定量の期待値が母数の値に一致する場合、その推定量は不偏推定量と呼ばれる。

最尤推定法・最尤法 (maximum likelihood method)
 ある実際のデータが、母数がいくつの時に最も得られやすいかを調べ、実際に得られたデータの生起確率を最大とする母数の値を推定する方法

尤度関数
 データの生起確率を母数の関数として表現したもの

尤度
 特定の母数値に対する尤度関数の値

最尤推定量は常に不偏性を持つわけではない。

最尤法は、完全に母集団分布に異存した確率論的な方法。
回帰直線の推定に用いる最小二乗法は、特定の母集団分布に異存せずに推定量を導く方法。

標本誤差
 実際の推定値と母数の値の差

標本誤差を評価する為には母数の値が必須だが、母数の値は不明な事が殆ど。なので、標本抽出にともなって推定量が母数の周辺をどの程度変動するかを考える。

標準誤差
 推定量の標本分布の標準偏差の事。母集団比率 $π$の推定量としての標本比率 $p$ の標準誤差は以下の式
\[
σ_{p} = \sqrt{\frac{π (1-π)}{N}}
\]
になる。未知の値である $π$ をデータから得られる推定量 $p$ で置き換えれば、標準誤差の推定値
\[
\hat{σ_{p}} = \sqrt{\frac{p (1-p)}{N}}
\]
を得る。
母集団平均 $μ$ の推定量である標本平均 $\overline{x}$ の標準誤差は
\[
σ_{x} = \frac{σ}{\sqrt{N}}
\]
であるので、母集団標準偏差 $σ$ をデータから得られる不偏分散の平方根 $s'$ で置き換えれば
\[
\hat{σ_{x}} = \frac{s'}{\sqrt{N}}
\]
となり、標準誤差の推定値になる。
同様に母集団相関係数 $ρ$ の推定量 $r$ は、データから得られる相関係数 $r$ を利用して
\[
\hat{σ_{}} = \frac{1-r^{2}}{\sqrt{N}}
\]
となる。

## Sec2

無相関仮説
 母集団相関係数がゼロであるとという仮説

帰無仮説 (null hypothesis)
 検定用の仮説で、棄却される事を望まれる仮説の事。帰無仮説は $H_{0}$ と表記され、それが無相関仮説の場合 $H_{0}:ρ=0$ の様に表現する。

最も単純な検定として、無相関仮説を棄却可能な程度のデータが得られているかを確認する検定がある。

検定統計量
 帰無仮説の検定に用いられる統計量。例えば母集団相関係数がゼロの時に標本相関係数の標本分布がどういう確率でどういう値を取るか、など。

帰無分布
 帰無仮説のもとでの検定統計量の分布。

棄却域
 帰無仮説と整合的でないとされる検定統計量の値の範囲。棄却域の端点を棄却の限界値と言う。

統計的に有意 (statistically significicant)
 検定統計量の値が棄却域に入り、帰無仮説が棄却される時にその検定統計量は「有意である」と言う。

仮説検定
 検定の対象が仮説になる検定の手法。
 標本相関係数が有意かどうかテストする場合は、標本相関係数の有意性検定 (significance test) と言ったりする。

両側検定
 棄却域を分布の両側に設定する検定方式。分布の片側のみに設定する場合は片側検定と言う。

有意水準 (significance level)
 帰無仮説のもとではまれにしか生じない事象。よく 5% という基準値が利用される。

$p$ 値
 得られた結果が有意となる有意水準の事。限界水準や有意確率とも呼ばれる。

$t$ 分布
 データのモデルに正規分布を用いた場合にさまざまな統計量の標本分布と関係を持つ分布

 標本関係係数 $r$ を
\[
t = \frac{r}{\sqrt{1-r^2}} \times \sqrt{N-2}
\]
によって変換した変数 $t$ が、その帰無仮説のもとで自由度 $N-2$ の $t$ 分布に従う事が知られている。上式から標本数 $N$ が大きくなると 相関係数 $r$ が小さくても統計的に有意になる事が分かる (t が大きくなる)。

検定力 (power)
 母集団に於いてゼロで無い相関があるとき、サンプルに於いて有意な結果が得られる確率の事。検出力とも言われる。

第一種の誤り (type I error)
 帰無仮説が正しい時に、それを棄却してしまう誤り。

第二種の誤り (type II error)
 帰無仮説が正しく無い時に、そを採択してしまう誤り。

検定力分析 (power analysis)
 検定力計算を用いて一定の検定力を確保する標本数を決める手続き。

## Sec4

信頼水準 (confidence level)、信頼係数
 区間推定に於いてあらかじめ定められた確率で母数を含む区間を考えた時の、「あらかじめ定められた確率」の事。

信頼区間 (confidence interval)
 信頼水準で母数を含むと推定される区間。

MacOS GnuPG2 になって Emacs からパスフレーズが入力出来なくなった対処

各種バージョン

$ sw_vers
ProductName:    Mac OS X
ProductVersion: 10.13.1
BuildVersion:   17B1002

$ emacs --version
GNU Emacs 25.3.1

$ gpg --version
gpg (GnuPG) 2.2.3
libgcrypt 1.8.1

pinentry インストール

pinentry という補助プログラムを使えば良いみたいなので以下のようにした。 まず pinentry が入っているか確認。

$ brew list pinentry
/usr/local/Cellar/pinentry/1.0.0/bin/pinentry
/usr/local/Cellar/pinentry/1.0.0/bin/pinentry-curses
/usr/local/Cellar/pinentry/1.0.0/share/info/pinentry.info

インストーされていなかったら

$ brew install pinentry

で入れる。

GnuPG 設定

$HOME/.gnupg/gpg-agent.conf というファイルを作成する。内容は以下のようにしておく。既にファイルが存在する場合は、バックアップしてから修正。

$ cat ~/.gnupg/gpg-agent.conf
allow-emacs-pinentry
log-file /tmp/gpg-agent.log

gpg-agent を再起動する。

$ gpg-connect-agent killagent /bye
$ gpg-connect-agent /bye

(/bye ってオプションで起動するのが不思議)

テスト

Emacs を起動して適当に gpg で暗号化されたファイルを開く。ミニバッファでパスフレーズの入力を求められて、入力してファイルが開けたら成功。

2017年11月28日火曜日

心理統計学の基礎 第四章 備忘録

四章は確率モデルと標本分布について。




## Sec1

母集団
標本 (サンプル)

標本抽出 (サンプリング)
 単純無作為抽出
 二段抽出 : 母集団から部分集団をランダムに選択して、部分集団から更にランダムで標本抽出。

統計的推測の前提
 個々のデータ (標本) が互いに独立に同じ確率的振舞いをすること。
 この前提を満たす為には単純無作為抽出が必要。
 例えば中学生の試験点数の例で言うならば、部分集団として適当な中学校を選んだとしてその学校が進学校で平均的に学力が高い場合、その部分集団としての進学校から標本抽出するとデータに偏りが発生する。

標本統計量
 標本から得られる平均値や相関係数などの記述的指標の事。
 母集団から得られる値は「母数」と言う。
 標本値と母数を区別する場合、標本平均、標本相関係数、母集団平均、母集団相関係数などと呼ぶ。

確率モデル
 母集団を一種のデータ発生装置と見做して、標本抽出によって各データがどういう確率でどういう値を取るか、を模式化したもの。

確率変数
 確率的に変動する変数。

確率分布
 確率変数がどういう確率でどういう値を取るかの分布。

標本分布
 標本統計量がどういう確率でどういう値を取るかを表わす分布。特定の標本におけるデータの度数分布ではない。度数分布というのは観測データから得られた具体的な値の集合で、標本分布 (確率分布) というのは理論的に導出された抽象的なもの。

二値変数
 一般に yes/no で分類できるような値を 0/1 で表わす変数。

二項分布
 成功確率 $p$ の試行を独立に $n$ 回繰り返した時の成功数 $k$ を与える分布。例えば d20 を 100 回 ($n=100$) 振って出目 20 ($p=0.05$) が 5 回出る ($k=5$) 確率などにあたる。以下の式で表わされる。
\[
f (w)={}_{n}C_{k}p^{k}(1-p)^{N-k}
\]
${}_{n}C_{k}$は以下の式で表わされる組み合わせ総数 ($n$ 種類のものから $k$ 個を選択する組み合せの数)。
\[
{}_{n}C_{k} = \frac{n!}{k! (n-k)!}
\]
従って前式は
\[
f (w) = \frac{n!}{k! (n-k)!}p^{k}(1-p)^{N-k}
\]
となる。$N=1$ の場合を特にベルヌーイ分布と言う。

確率分布に於ける確率変数 $x$ の分布の平均 $μ$ は
\[
μ=\sum_{k=1}^{m}x_{k}f (x_{k})
\]

不偏性
 標本統計量の分布の平均が、母数の値に一する時その統計量は不偏性を持つ、と言う。不偏性を持った統計量は不偏推定量と呼ばれる。

確率分布の標準偏差
 確率分布 $f (x)$ に従う確率変数 $x$ の標準偏差 $σ$ は度数分布の標準偏差と同じように以下の式で与えられる。
\[
σ=\sqrt{\sum_{k=1}^{m}(x_{k}-μ)^{2}f (x_{k})}
\]
上式の $f (x_{k})$ に二項分布の式を代入し式変形すると
\[
σ_{w}=\sqrt{Np (1-p)}
\]
が得られる。この式を N で割る事によって得られる
\[
σ_{p}=\frac{\sqrt{Np (1-p)}}{N}
\]
は比率の標本分布の標準偏差である。 

標本統計量は、標準偏差が大きい程その統計量に基づく母数の推定の誤差が大きくなる可能性が高い。標本統計量の標準偏差は、標準誤差とも呼ばれる。標本数 N が大きくなる程、標準誤差は小さくなる。

逆に標準誤差を特定の値以下に抑えるのに必要な標本数を計算によって求める事が出きる。標準誤差の式を用いて、例えば比率 $p$ の標準誤差を 5%以下にしたいのであれば
\[
σ_{p}=\frac{\sqrt{Np (1-p)}}{N}\leq0.05
\]
という不等式を立ててこれ解く。
\[
N\geq400p (1-p)
\]
右辺は $p=0.5$の時に最大になるので
\[
N=400\times0.5\times0.5=100
\]
となって標本数を 100 以上にすれば比率 $p$ の標準誤差を 5%以下に抑えられる。

## Sec3

正規分布
確率密度関数
 確率変数が、二項分布の様な離散値では無く連続値を取る場合の確率分布は、その変数が特定の値を取る確率では無く、ある範囲の値を取る確率を問題する。そのような確率は分布の確率密度関数を用いて計算される。
 平均 $μ$、標準偏差 $σ$ の正規分布に従う変数 $x$ の確率密度関数は
\[
f (x)=\frac{1}{\sqrt{2p σ}}\exp [-\frac{(x-μ)^2}{2 σ^{2}}]
\]
と表わされる。この変数がある特定の範囲 (a<x<b) の値を取る確率 $Prob (a<x<b)$ は
\[
Prob (a<x<b)=\int_{a}^{b}f (x) dx
\]
によって与えられる。

標準正規分布
 平均 0、標準偏差 1 の正規分布。

中心極限定理
 標本数を大きくしていくと、母集団の分布の種類とは無関係に標本平均の分布が正規分布に近付いていくという定理。

## Sec4

二変数正規分布
 連続値を持つ 2 つの独立した確率変数を要素としてもつ正規分布。一変数正規分布は平面で表わされるが、二変数の場合立体図になる。
 二つの変数を $x$、$y$ とした時、それぞれの平均を $μ_{x}$、$μ_{y}$、標準偏差を $σ_{x}$、$σ_{y}$、$x$ と $y$ の相関係数を $ρ$ とした時の確率密度関数は
\[
f(x,y)=\frac{1}{2pσ_{x}σ_{y}\sqrt{1-ρ^{2}}} \times exp[-\frac{z_{x}^{2}-2ρz_{x}z_{y}+z_{y}^{2}}{2(1-ρ^{2})}]
\]
ただし $z_{x}$、$z_{y}$ は
\[
z_{x}=\frac{x-μ_{x}}{σ_{x}}\\
z_{y}=\frac{y-μ_{y}}{σ_{y}}\\
\]

相関係数の標本分布
 データが二変数正規分布に従う時の相関係数 $r$ の標本分布は母集団相関係数 $ρ$ と標本数 $N$ のみによって規定される確率分布になる。

## Sec5

頑健性
 仮定した確率モデルの分布が、母集団分布と異なる時に、モデルに基づく推定が妥当である程度の事。一般に標本数が大きくなれば母集団分布の違いの影響は小さくなり頑健性が増す。

ノンパラメトリック法
 特定の分布形を仮定しない方法

【今日の読書】CIAの秘密戦争 変貌する巨大情報機関

書名: CIAの秘密戦争 変貌する巨大情報機関
著者: マーク・マゼッティ
監訳: 小谷 賢
訳者: 池田 美紀
出版: 早川ノンフィクション文庫
ISBN: 978-4-15-050504-2

2017年11月26日日曜日

MacBookPro 13 インチ 2012 Mid の SSD 化

僕のメインの計算機は 2012 年に購入した MacBookPro (以後 MBP) の 13 インチ、2012 Mid モデルです。

既に 5 年使っているのですが、最近アプリケーションの起動速度が遅い事が気になってきました。また 1 年程前に、内蔵スロットイン DVD が、DVD を飲み込んで吐き出さなくなってしましました。

調べてみるとハードディスクを SSD に換装すれば速度の問題はかなり改善しそうです。また内蔵の DVD ドライブも簡単に交換出来そうなのでやってみる事にしました。

必要物品

まず準備。交換部品は以下の通りです。

SSD: Crucial 2.5 インチ MX300 275GB DVD: CrownTrade Macbook 対応用 パナソニック UJ-898 交換用 DVD ± R/RW ドライブ

この他に必要な物が 3 つ。MBP の底面のネジを外す為に必要な#0 の精密ドライバー、HDD に付いているネジを外す為に必要な T6 のトルクスドライバー、HDD から SSD にデータを移す為に必要な USB3.0-SATA 変換ケーブルです。

精密ドライバー #0

トルクスドライバー T6

このベッセルのトルクスドライバーは柄ではなく芯の途中に指のかかりが良くなるようにギザギザが付いていて、弱い力でネジを回したい時など便利です。

USB3.0-SATA 変換ケーブル

データ移行

USB3.0-SATA 変換ケーブルを使って SSD を外付けドライブとして接続して下さい。その状態で MBP をシャットダウンし、command+R を押しながら電源を入れます。 こうする事でディスクユーティリティが起動してきます。

Disk Utility

左ペインから移行先の SSD を選択し、上部メニューの復元をクリックすると以下のような画面になります。

restore

復元もととして、現在使っている HDD を選択して下さい。そして復元をクリックすると、データの移行が始まります。僕は 150GB 程度の使用容量でしたが、USB3.0 接続で 45 分程度で終わりました。

もし復元もとのパーティションが SSD の総容量より大きいとエラーが発生します。その時はディスクユーティリティを使って、復元もとのパーティションサイズと縮小して下さい (これはかなり時間がかかります。途中で MBP がスリープすると進まなくなるので要注意)。

部品交換

では MBP を裏返してネジを外します。外す対象のネジは 10 本あります。ネジの種類は 3 種類。長いネジが 1 種類、短いネジが 2 種類です。短いネジは全ネジが 3 本、段付きネジが 4 本あります。長いネジは 3 本です。これらのネジは比較的硬い素材みたいなので、舐めにくくはなっていますがネジ頭を舐めてしまうと悲惨なので注意して下さい。ネジを回す時の力の入れ具合いは、押す力が 7 割、回す力が 3 割の感覚で。

以下の写真の赤丸が段付きネジ、青丸が全ネジ、黄丸が長いネジです。

MBP bottom screws

これで底面の蓋が取れます。外すと中身は以下のようになっています (以下の写真は既に SSD 交換後)。

MBP internal

右下が HDD/SSD スロットです。右上が DVD スリムドライブです。

HDD/SSD スロット周辺を拡大してみます。

MBP HDD/SDD slot

黄丸で囲んだ 4 本のネジを外すと HDD を持ち上げる事が出来ますが、まだ SATA ケーブルが刺さったままなので気を付けて下さい。この 4 本のネジは樹脂のアダプタから完全には抜けません。どれだけ緩めてもアダプタに嵌ったままです。HDD の画面左端に付いている灰色の縦長の部品が SATA ケーブルのコネクタです。これはひっぱれば外れます。

画像を取り忘れましたが HDD 自体に 4 本のネジが付いています。これも外します。この時 T6 のトルクスドライバーが必要になります。

HDD から外した 4 本のネジを SSD に同じように付け、SATA コネクタを装着し、という感じで逆順に SSD を付ければ完了です。

NVRAM のリセット

MBP でハードウェアの交換を行なった後、NVRAM をリセットする必要があります。交換後の初回起動時に以下の手順で NVRAM をリセットして下さい。

Mac の NVRAM をリセットする方法

2017年11月25日土曜日

心理統計学の基礎 第三章 備忘録

第三章は相関関係と回帰分析。

== Sec1

相関関係
  $x,y$ の二値が変数の時、$x$ が大きいほど、$y$ も大きい傾向がある場合、正の相関があると言う。
  $x$ が大きいほど、$y$ が小さい傾向がある場合、負の相関があると言う。

共分散
  $x,y$ の二値が変数の時、$x$ の平均値 $\overline{x}$ と $y$ の平均値 $\overline{y}$ を考える。$x,y$ のそれぞれの値$x_{i}$、$y_{i}$ についてこれらの平均との距離の積の平均値が共分散 $s_{xy}$ になる。つまり
\[
s_{xy} = \frac{1}{N}\sum_{i=1}^{N}(x_{i}-\overline{x}) (y_{i}-\overline{y})
\]
シグマで囲まれた項
\[
(x_{i}-\overline{x}) (y_{i}-\overline{y})
\]
は、xy 平面上で、$x$ の平均値の成す線と $y$ の平均値の成す線から作られる長方形の面積になる。

不偏共分散
 不偏分散と同じようにデータ総数 N に対して N-1 で割った共分散を不偏共分散と言う。つまり
\[
s'_{xy} = \frac{1}{N-1}\sum_{i=1}^{N}(x_{i}-\overline{x}) (y_{i}-\overline{y})
\]

完全な正の相関がある 2 変数の共分散は、それぞれの変数の標準偏差の積になる。$xy$ の 2 変数を考えた時、完全な正の相関があるならば $y$ は
\[
y = cx + d
\]
という線形変換が可能である。従って、これを共分散の式に適用すると
\[
s_{xy} = \frac{1}{N}\sum_{i=1}^{N}(x_{i}-\overline{x}) (y_{i}-\overline{y})\\
 = \frac{1}{N}\sum_{i=1}^{N}(x_{i}-\overline{x}) [(cx_{i}+d)-(c\overline{x}+d)]\\
 = \frac{c}{N}\sum_{i=1}^{N}(x_{i}-\overline{x})^{2}\\
 = cs_{x}^{2}\\
 = (\frac{s_{y}}{s_{x}}) s_{x}^{2}\\
 = s_{x}s_{y}
\]

相関係数
 共分散をそれぞれの変数の標準偏差の積で割った値。つまり
\[
r = \frac{s_{xy}}{s_{x}s_{y}}
\]
相関係数の取り得る値は $-1 \leq s_{xy} \leq 1$ になる。

== Sec2

統計的事象は一般的に同じ $x$ の値に対して $y$ は様々な値を取る。例えば、中学生の学習時間 $x$ と試験点数 $y$ の統計の場合、$x$ に対して $y$ は一意に定まらない (同じ学習時間でも試験点数が異なる生徒が存在する)。

条件付き平均
 こういった時、1 つの $x$ に対する様々な $y$ の平均を考える。これを $y$ の条件付き平均、と言う。中学生の例で言えば、学習時間が同じ生徒達の平均点数。

回帰直線
  $y$ の条件付き平均の予測値 $\hat{y}$ を
\[
\hat{y}=a+bx
\]
とした時の直線の事。

回帰係数
 回帰直線の式に於ける変数 $x$ の傾き $b$ の事。

最小二乗法
 回帰直線を導く方法の一つ。回帰直線の式に実際観測データ $x_{i}$ を代入して得られる $\hat{y}_{i}$ と、実際の観測データ $y_{i}$  の差の二乗を最小化する $a$、$b$ を求める。つまり
\[
Q = \sum_{i=1}^{N}(y_{i}-\hat{y}_i)^{2}\\
 = \sum_{i=1}^{N}[(y_{i}-(a+bx_{i})]^{2}
\]

残差
 従属変数の実際の値と予測値ののずれの事。予測の誤差とも言う。残差を $e$ とすると
\[
e = y - \hat{y}
\]
また、残差の平均は
\[
\overline{e} = \overline{y} - \overline{\hat{y}} = 0
\]
となる。

変数の直交
 互いに相関が無い ($r=0$) な変数同士は「直交している」と表現する。
 残差は独立変数 $x$ との相関が 0 になる (後の章で説明するらしい)。

残差の定義式を変形すると
\[
y = \hat{y} + e
\]
が得られる。$\hat{y}$は独立変数 $x$ の線形変換であるから、$x$ との相関は 1 (または-1) になる。一方残差 $e$ は $x$ とは無相関なので、上記式は $y$ を独立変数と、独立変数とは無関係な値に分解した事になる。

つまり従属変数 $y$ は、独立変数 $x$ だけでは説明できない要素が関連しているという事になる。中学生の例にすると、試験点数は学習時間だけでは説明できない要素があるという事になる (例えば学習の方法の差など)。

残差の分散
 予測の誤差分散とも呼ばれ、以下の式で表わされる。
\[
s_{e}^{2} = s_{y}^{2}(1-r^{2})
\]
この平方根
\[
s_{e} = s_{y}\sqrt{1-r^{2}}
\]
は予測の標準誤差と呼ばれる。この予測の標準誤差の大小で予測の精度を評価する事ができる。

対称性
 相関係数と回帰係数は共に変数間の関係を表わす指標だが、相関係数はそれぞれの変数に関して対称性がある。つまり $x$ と $y$ の相関係数と、$y$ と $x$ の相関係数は同じになる。しかし回帰係数は非対称になる。$y$ の $x$ への回帰直線と、$x$ の $y$ への回帰直線の傾きは同じにならない。

選抜効果
 ある変数の値 (例えば $y$) に基づいてデータの選抜を行なうと、それによって相関係数の値は一般に低下する。この事を選抜効果と呼ぶ。他方、選抜を行なっても回帰係数は殆ど変化しない。

== Sec6

妥当性
 測定の妥当性とは、測定値が測定すべきものを正しく反映している程度の事。つまり測定の質。

妥当性の検証
 測定が妥当だと仮定して、その場合どのような結果が満たされるか、をリストアップし実際に満たされているか確かめる。

信頼性
 測定値の一貫性。同じ測定を繰り返した時、N 回目と N+1 回目で測定値が一貫しているかどうか。

心理統計学の基礎 第二章 備忘録

代表値
  分布の特徴をあらわす記述的指標
  最大値、最小値、平均値 (mean、算術平均) など

調整平均
  極端な値の影響を排除する為に最大値、最小値を排除した平均

中央値 (median)
  出現する値をソートした時の順位が真ん中になる値

代表値としての適切さ
  分布に含まれるそれぞれの値との近さ

データ総数 N
i 番目の実測値 $x_{i}$
1 番目の実測値 $x_{1}$
2 番目の実測値 $x_{2}$
最適な代表値の候補 t

代表値 t とそれぞれ実測値の距離は $|x_{i} - t|$
これの総和を取る
\[
T_{1}=\sum_{i=1}^{N}|x_{i}-t|
\]

$T_{1} $を最小化する値 t が、分布に含まれるそれぞれの値に最も近い。このような基準 $T_{1}$ を最小化する値が中央値。

しかしこの「距離」だと、値の密度が高いあたりの数値影響力が高く、分布の両端にある疎な値の影響力が弱い。

分布の両端 (つまり距離が遠い) 値の影響力を大きくする為に、別の基準 $T_{2}$ を
\[
T_{2}=\sum_{i=1}^{N}(x_{i}-t)^{2}
\]

とすると。代表値 t と各値の二乗を取っているので、距離が遠い=差が大きいものの影響力がより強くなる。このような基準 $T_{2}$ を最小化する値が平均値。

外れ値に対する抵抗性
 平均値は中央値に比べて分布の両端の外れた値の影響を強く受ける為、極端な最大値や最小値にひっぱられて平均値は大きく変動する。
 一方中央値はこういう極値の影響を受けない。

合成変数
 複数の変数に重みを付けた和や差。
 変数 x,y、重み c,d の時、合成変数 v は
\[
v = cx + dy
\]
v の平均は
\[
\overline{v} = \frac{1}{N}\sum_{i=1}^{N}v_{i}\\
= \frac{1}{N}\sum_{i=1}^{N}(cx_{i} + dy_{i})\\
= \frac{1}{N}\sum_{i=1}^{N}cx_{i} + \frac{1}{N}\sum_{i=1}^{N}dy_{i}
\]
となる。つまり合成変数の平均は、各変数の平均の和に等しい。

散布度
 分布の広がりの程度を表す。
平均偏差
 中央値によって最小化される指標$T_{1}$をデータ総数で割った値。つまり
\[
MD = \frac{1}{N}\sum_{i=1}^{N}|x_{i} - Med|
\]
で表わされる。これは各値が中央値から平均してどれくらい離れているかを表わしている。
中央値の代わりに平均値を入れる事もある。

分散
 平均値によって最小化される指標$T_{2}$をデータ総数で割った値。つまり
\[
s^{2} = \frac{1}{N}\sum_{i=1}^{N}(x_{i} - \overline{x})^{2}
\]
標準偏差
 分散の平方根を取ったもの。つまり
\[
s = \sqrt{\frac{1}{N}\sum_{i=1}^{N}(x_{i} - \overline{x})^{2}}
\]

平均偏差よりも、分散や標準偏差の方が統計的推測では頻繁に使われる。

不偏分散
 $T_{2}$をデータ総数ではなく、データ総数-1 で割った値。つまり
\[
s^{2} = \frac{1}{N-1}\sum_{i=1}^{N}(x_{i} - \overline{x})^{2}
\]

線形変換
 元の変数 x に対して
\[
x' = cx + d
\]
として新しい変数 x'を得る手続き。

線形変換した x'からそれぞれの指標値を計算すると以下が導出できる。
\[
MD_{x'} = |c| \times MD_{x}\\
s_{x'} = |c| \times s_{x}\\
s^{2}_{x'} = c^{2} \times s_{x}^{2}
\]

上記の用に線形変換後の平均や標準偏差は完全に予測可能なので、変換後の変数が特定の平均と標準偏差を持つように変換する事が可能。
例えば学校で使われる偏差値は、平均 50、標準偏差 10 になるように点数を線形変換したもの。

z 得点
 平均を 0、標準偏差を 1 とする線形変換

2017年11月24日金曜日

心理統計学の基礎 第一章 備忘録

統計の勉強の為に「心理統計学の基礎」という本を読んでいる。自分の理解を助け、また記憶を確かなものにする為にメモを取りながら読んでみる。

== Sec1

リサーチ・クエスチョン
 研究上の問い

仮説
 問いに対する暫定的な説明

統計的なデータ解析は、
 仮説生成
 仮説検証
の過程で利用される。

仮説から具体的な予測を論理的に導出し実験やデータ解析で、この予測を支持あるいは棄却する。

あくまで「支持」であって証明ではない。相関と因果は別。

「仮説が正しければ、予測通りの結果が得られる」と前提するならば「予測通りの結果が得られなければ、仮説は正しくない」は対偶なので真であるからデータによって仮説を反証する事は可能。

実際には「仮説が正しければ、予測通りの結果が得られる」という条件を満たせない事が多い (測定が不完全など)。

母集団
サンプル (標本)
 標本はランダムに選ばれる事が望ましい
 完全な無作為抽出は現実的には困難

== Sec2

度数分布
相関関係
散布図
 相関図とも呼ばれる

== Sec3

記述的指標/ 記述統計量/ 要約統計量
 分布、広がり、重なりなど

統計的推測
 母集団から無作為抽出を過程して確率論的に推測する

2017年11月20日月曜日

D&D 5 版 Sage Advise 抄訳 201710

2017 年 10 月 にウィザーズ社のサイトで公開された Sage Advise の抄訳です。

Q1: バードが読める呪文の巻物はどれですか。バードの呪文リストにあるものだけ? それともマジカル・シークレットの特徴で追加した呪文も読める?

A1: マジカル・シークレットで追加した呪文はバード呪文になるので、これらの呪文の巻物も読めます。

Q2: バトル・マスターが機会攻撃を食って、それが外れた時、このバトル・マスターはリポストの戦技で反撃出来ますか。

A2: はい、バトル・マスターのリアクションがまだ残っているならば。

Q3: モンクがエンプティ・ボディの能力で透明化した時、そのモンクが攻撃してもまだ透明化は続きますか。

A3: はい。

Q4: パラディンがラスフル・スマイト (wrathful smite) のようなスマイト系の呪文を使った上で、その攻撃が命中した時にディヴァイン・スマイトも乗せられますか?

A4: はい。

Q5: エレメンタル・アフィニティの特徴は呪文の 1 つのダメージ・ロールにのみ加算可能ですか? 例えばスコーチング・レイで 3 本のレイを撃った時、それぞれに【魅力】修正を足せる?

A5: いいえ。いずれか 1 つです。

Q6: アイズ・オブ・ザ・ルーン・キーパーのインヴォケーションは魔法のルーンにも機能しますか。

A6: アイズ・オブ・ザ・ルーン・キーパーは、記述されたものであれば何でも読めるようにします。それがルーンであっても言語的意味であっても、です。

Q7: 変成術系統のシェイプチェンジャーの特徴を持ったウィザードは、ポリモーフの呪文をスロット消費なしに使えますが、そもそそもポリモーフの呪文を準備する必要はありますか。

A7: はい

Q8: 《ダンジョン・デルヴァー》の特技には、罠の捜索を旅のあいだであっても通常の速度で行なえるとありますが、そもそも罠捜索の速度のルールって存在しますか。

A8: しません。この文は無視して下さい。

Q9: 《センチネル》の特技を持っているキャラクタは、ファンシィ・フットワークの特徴や《モバイル》の特技を持った相手に機会攻撃出来ますか。

A9: いいえ。《センチネル》の 2 つめの利益は、離脱アクションを試みた相手にも機会攻撃が可能、というものです。ファンシィ・フットワークにしろ《モバイル》にしろ、これらは離脱アクションではありません。

Q10: キャラクタが 20 レベルになった後はどうなりますか。20 レベルがキャラクタの最大レベル?

A10: ダンジョン・マスターズ・ガイドの「エピック・ブーン」のセクションを読みましょう。

Q11: もし私が貴方に組みつきをしたとします。更にその状態で私は自発的に伏せ状態になったら、貴方も一緒に伏せになる?

A11: いいえ。伏せた状態の貴方が、立っている私に組みついている状態になるだけです。

Q12: チル・タッチの呪文は再生を止めますか。

A12: はい。チル・タッチはその効果時間中、あらゆるヒット・ポイント回復を阻害します。

Q13: ジャンプの呪文によって、跳躍の飛距離が通常移動速度 (walk speed) よりも大きくなった時、どう処理すれば良いですか。

A13: 跳躍による移動も通常移動速度による制限を受けます。もし通常移動速度を超えて跳躍するならば早足アクションを取る必要があります。

Q14: メイジ・アーマーの呪文の名前に混乱しています。だってアーマーって言ってるのに鎧と見做さないんだもの。

A14: いくつかの呪文やクラスの特徴の名称は、比喩的なので字義的なものではありません。呪文やクラス特徴の詳細な説明文が実際に発生する事を説明しています。

Q15: どんな物がプレスティディジテーションの為の非魔法の小物と見做されますか。

A15: プスティディジテーションは、小さく安価な物を作り出す事が出来ます。その物がどんなものかは呪文を使った本人と DM が決めて下さい。

Q16: ストーム・オブ・ヴェンジェンス呪文の効果は累積しますか。あるいは、毎ターン効果が変わる? [訳注: Or do the effects change each turn? の意図が分からない]

A16: それぞれの新しい効果が前のラウンドの効果を上書きします。[訳注: この解答もよくわからないが、each new effect と言っているので呪文の効果自体は累積するっぽい]

Q17: グールとギャストの噛み付き攻撃には習熟ボーナスが加算されていないようですが、これはミス? それともわざと?

A17: 意図的です。

Q18: エアー/ ファイア/ ウォーター・エレメンタルは、5 フィートよりも狭い空間でペナルティなく戦えますか。

A18: エアー/ ファイア/ ウォーター・エレメンタルは、移動の時に無理矢理入り込むペナルティを無視出来ます。

Q19: アース・エレメンタルが相手に組み付いた状態で、そのまま地下へ引きずり込んだら相手は死にますか?

A19: いいえ。アース・エレメンタルのアース・グライドの能力は自分自身にだけ機能します。つまりこの場合、アース・エレメンタルだけが地下へ移動し、組み付かれた側は地上に残ります。

Q20: リッチのディスラプト・ライフの能力はアニメイテッド・オブジェクトやコンストラクト相手にも機能しますか。

A20: はい。相手がアンデッドでなければ機能します。

Q21: ヴァンパイアは同時にチャーム可能なクリーチャーの数に上限はありますか。

A21: いいえ。一回のチャームアクションで魅了出来るクリーチャーは 1 体ですが、それを何回も実行すれば同時にチャーム出来ます。

Q22: バードがインストルメント・オブ・ザ・バーズのマジックアイテムに同調していて、かつそれを手に保持した状態で、チャーム・パーソンを使ったら対象のセーヴには不利が付きますか?

A22: いいえ。インストルメント・オブ・ザ・バーズは、それを呪文発動時の焦点具として利用した時のみ、相手を魅了状態にする呪文のセーヴに不利を付けられます。しかしチャーム・パーソンは物質要素が無い呪文なので、インストルメントは効果を発揮しません。[訳注: 通常、呪文発動時の焦点具は物質要素の代わりに使うので、物資要素が無い呪文の場合焦点具は使われない]

Q23: アサシネイトの能力を持ったローグがヴォーパル・ソードを装備して、不意打ちで攻撃したら相手は即死?

A23: いいえ。ヴォーパル・ソードで相手を即死させるには、20 面体を振って出目 20 を出す必要があります。アサシン・アーキタイプのローグによる不意打ちの攻撃は、自動クリティカルであって出目 20 ではありません。

2017年11月19日日曜日

【今日の読書】コンピューターで「脳」がつくれるか

書名: コンピューターで「脳」がつくれるか
著者: 五木田 和也
出版: 技術評論社
ISBN: 978-4-7741-8410-4

現在の人工知能にまつわる主要なキーワードについて、それぞれ噛み砕いて説明した本です。数式や難解な用語は避けているのですが、何故か四章の脳科学の部分だけやたらと専門用語が連発されて、他の章との不均衡を感じます。多分そのあたりが筆者の専門分野なのでしょう。四章だけ興が乗ってキーボードが滑ったのかもしれません。

人工知能の大雑把な歴史、特化型人工知能と汎用人工知能の違いなど抑えるべき点をさらっと 200 ページに見たない本で説明しているので、概観を捉えたい人に向いた本です。

2017年11月18日土曜日

Princes of the Apocalypse 7 [72]

Princes of the Apocalypse の続きです。DM は画伯。参加者は以下の通り。

アンドリュー、 Cleric (War) 1/Warlock (Blade Pact) 7, Half-Elf, CG, ほえほえさん
シマズ, Figher (Champion) 8, Half-Orc, LN, からくりさん
スパイア, Sorcerer (Storm) 3 / Paladin (Crown) 5, Tabaxi, LG, つかださん
ツリートップ, Bard (Lore) 8, Tabaxi, CG, さるしんごさん
ミック, Monk (Sunsoul) 8, Tabaxi, CG, いっちゃん
メルゲン, Fighter (Battle Master) 8, Human, TN, 六平さん
ユーウェイン, Wizard (Bladesinger) 8, High Elf, CG, 死せる詩人

前半はヤーター街で開かれているバザールで各人個人的パワーアップという名のマジックアイテム探し。

アンドリュー: ガントレット・オブ・オーガパワー
シマズ: ウィングド・ブーツ
スパイア: センチネル・シールド
ツリートップ: フォークルカン・バンドーラ
ミック: クローク・オブ・レジスタンス
メルゲン: ゴーグル・オブ・ナイト
ユーウェイン: フレイム・タン

をそれぞれ 1 万から 2 万ゴールドほどで購入。さらに余った金やらアイテムで、シマズ用にグレート・ソード +2 を入手。

その後の街の有力者という名のヤクザ者のどちらに付くかという決断を迫られ、シナリオに必要そうなアイテムを持っている元川賊の女傑につき、相手の組にかちこみ。したと思ったら相手がサハギンで驚きつつ、サハギン・バロンっぽいボス、ヒドラ、ウォーター・エレメンタル、サハギン・クレリック 6 体を撃破。デヴァーステーティング・オーブなるテロリズム誘発アイテムを鹵獲。





バザールも終わったので、ユーウェインが 9 レベルで覚えたテレポーテション・サークルでレッドラーチへ帰還。依頼主にデヴァーステーティング・オーブ 6 個を渡す。

以前見付けて、その時点では身の丈に合わないという事で回避したリバーガード・キープ地下のダンジョンへ。ウォーター・カルトを殲滅すべし。

道中ヒル・ジャイアント 6 体に遭遇するが、不意打ち出来たのとユーウェインが無茶苦茶ジャイアントの生態に詳しいのがあって比較的余裕で撃破。

リバーガード・キープ地下ではいきなりドラゴン・タートル (モンスター・マニュアル通りなら CR17!!) に出会うがスパイアが冷静に交渉し、ウォーター・カルトを快く思っていなかった亀さんと友好的に話し合いを終える。



その後サハギン・プリースト 3 体、中堅カルト員 4 人、4 本腕のストーン・ゴレームを倒した所で時間切れ。



ここでセーブして次回は続きから。

【今日の読書】キーポイント 線形代数

書名: キーポイント 線形代数
著者: 薩摩 順吉、四ツ谷 晶二
出版: 岩波書店
ISBN: 978-4-00-007862-7

機械学習やディープラーニング関連のプログラミングをすると線形代数(行列計算)の知識が必要になってくるので「キーポイント 確率・統計」と同じシリーズの線形代数の本を読んでみました。

これは名著です。特に前半が非常に分かりやすく、2x2や3x3の行列を意識的に例に取っているのもあって概念的な部分もかなり頭に入り易いです。

行列のおさらいをしたいという目的にはかなり向いた本と言えると思います。

2017年11月15日水曜日

【今日の読書】キーポイント 確率・統計

書名: キーポイント 確率・統計
著者: 和達 三樹、十河 清
出版: 岩波書店
ISBN: 978-4-00-007866-5

「はじめてのパターン認識」を読み始めたものの、統計関連の用語がさっぱりだったのでまず統計学の初歩を抑えておかねばと思って探した本。150 ページ程度でかなりうすいけれど初歩はさらえます。ただ式展開や証明など飛ばしている所もあるので、もしそのあたりを知りたければ別の本に頼る必要があります。

しかし機械学習の勉強の準備として統計学を知りたいならこの程度でも充分かもしれません。

2017年11月12日日曜日

【今日の読書】ゼロから作る Deep Learning

書名: ゼロから作る Deep Learning, Python で学ぶディープラーニングの理論と実装
著者: 斎藤 康毅
出版: オライリー・ジャパン
ISBN: 978-4-87311-758-4

非常に良い本。とりあえず写経しつつ読んだが、おりに振れて読み返す事になりそう。

目次

まえがき
1 章  Python 入門
2 章 パーセプトロン
3 章 ニューラルネットワーク
4 章 ニューラルネットワークの学習
5 章 誤差逆伝播法
6 章 学習に関するテクニック
7 章 畳み込みニューラルネットワーク
8 章 ディープラーニング

2017年11月7日火曜日

【今日の読書】データサイエンティスト養成読本 機会学習入門編

書名: データサイエンティスト養成読本 機会学習入門編
著者: 比戸将平、馬場雪乃、里洋平、戸嶋龍哉、得居誠也、福島真太朗、加藤公一、関喜史、阿部厳、熊崎宏樹
出版: 技術評論社
ISBN: 978-4-7741-7631-4

第 1 部
しくみと概要を学ぼう!

特集 1
機械学習を使いたい人のための入門講座…… 比戸将平

第 1 章:機械学習の概要
第 2 章:機械学習の歴史と今後の応用例
第 3 章:データサイエンティストのための機械学習
第 4 章: Q&A とまとめ

特集 2
機械学習の基礎知識…… 馬場雪乃

第 1 章:機械学習の問題設定
第 2 章:教師あり学習
第 3 章: 教師なし学習
第 4 章:応用

特集 3
ビジネスに導入する機械学習…… 里 洋平・戸嶋龍哉

第 1 章:ビジネスデータのクラスタリング
第 2 章:予測モデルの構築

特集 4
深層学習最前線…… 得居誠也

第 1 章:準備
第 2 章:多層パーセプトロンの書き方
第 3 章:ニューラルネットの学習方法
第 4 章:画像認識のためのアーキテクチャ

第 2 部
手を動かして学ぼう!

特集 1
機械学習ソフトウェアの概観…… 福島真太朗

第 1 章:開発が進む機械学習のソフトウェア
第 2 章:機械学習のソフトウェアを用いた実行例
第 3 章:機械学習ソフトウェア選択の指針

特集 2
Python による機械学習入門…… 加藤公一

第 1 章:イントロダクション
第 2 章: Numpy , Scipy , matplotlib の基礎
第 3 章: scikit-learn 入門

特集 3
推薦システム入門…… 関 喜史

第 1 章:推薦システムのキホン
第 2 章:推薦システムを作る
第 3 章:推薦システムの高度化
第 4 章:良い推薦システムを作るために

特集 4
Python で画像認識にチャレンジ…… 阿部 厳

第 1 章:画像認識とは?
第 2 章:準備
第 3 章:シンプルな画像認識を実装
第 4 章:猫顔検出に挑戦

特集 5
Jubatus による異常検知…… 熊崎宏樹

第 1 章:はじめに
第 2 章:アーキテクチャ
第 3 章:テストデータからの異常検知
第 4 章:サーバログからの異常検知

2017年11月4日土曜日

Dead in Thay [71]

本来ならば GDQ キャンペーンの日なのですが、DM の僕がギリギリまで休日出勤の可能性が捨て切れない状況だったので、DM を交代してもらって単発セッションとなりました。DM はそば君。参加者は以下の通り。

ミック, Barbarian (Path of Berserker) 9, Human, 満月
スカーレット, Paladin (Oath of the Ancients) 9, Tiefling, からくり
三代目, Cleric (Life Domain) 1/Bard (College of Lore) 8, Human, いっちゃん
マリーマリー, Rogue (Mastermind) 3/Bard (College of Lore) 6, Tiefling, 羽生
ペライオス, Sorcerer (Wild Magic) 9, Tiefling, 死せる詩人

シナリオは Tales from the Yawing Portal に掲載されている「Dead in Thay」です。9 レベルから 11 レベル対応のダンジョンシナリオです。サーイの地下にあるダンジョンに、リッチの経箱が沢山格納された部屋があるので、そこを発見し経箱を壊しまくろう! という趣旨。

エリア毎にモンスタの傾向が多きく違い、様々なモンスタと戦える趣向になっています。今回は 3 エリアほど回って時間切れ。

【今日の読書】明日からつかえるシンプル統計学

書名: 明日からつかえるシンプル統計学
著者: 柏木 吉基
出版: 技術評論社
ISBN: 978-4-7741-5054-3

2017年11月2日木曜日

【今日の読書】改訂 2 版 データサイエンティスト養成読本

書名: 改訂 2 版 データサイエンティスト養成読本
著者: 佐藤洋行、原田博植、里洋平、和田計也、早川敦士、倉橋一成、下田倫大、大成浩子、奥野晃裕、中川帝人、長岡裕己、中原誠
出版: 技術評論社
ISBN: 978-4-7741-8360-2

目次

巻頭企画
データサイエンティストの仕事術

第 1 章:データサイエンティストに必要なスキル
第 2 章:データサイエンスのプロセス
第 3 章:「ビッグデータインフラ」入門

特集 1
データ分析実践入門

第 1 章: R で統計解析をはじめよう
第 2 章: RStudio でらくらくデータ分析
第 3 章: Python による機械学習
第 4 章:データマイニングに必要な 11 のアルゴリズム

特集 2
マーケティング分析本格入門

第 1 章: R によるマーケティング分析
第 2 章: mixi における大規模データマイニング事例
第 3 章:ソーシャルメディアネットワーク分析

特別記事

Fluentd 入門

特別企画
データ分析のためにこれだけは覚えておきたい基礎知識

第 1 章: SQL 入門
第 2 章: Web スクレイピング入門
第 3 章: Tableau 実践入門

2017年11月1日水曜日

【今日の読書】データサイエンティスト養成読本 登竜門編

書名: データサイエンティスト養成読本 登竜門編
著者: 高橋 淳一、野村 嗣、西村 隆宏、水上 ひろき、林田 賢二、森 清貴、越水 直人、露崎 博之、早川 敦士、牧 允皓、黒柳 敬一
出版: 技術評論社
ISBN: 978-4-7741-8877-5

書名通りの本です。「戦略的データサイエンス入門」より先にこちらを読んだ方が良いかも。

データサイエンティストという職種は、技術的知識に限って言ってもかなり広範な知識が求められるので、それらをそれぞれ概説している本です。読んだ以後データサイエンスに対する見通しが良くなって、自分の学習方向性が見えてくると思います。

目次

なぜデータ分析が必要なのか -データサイエンティストへの道標
プロセス別にみるツールの選択基準 -データ分析環境構築ガイド
世界中の環境に接続! -はじめてのシェル
データ操作の第一歩 -データベース入門の入門
美しい分析をはじめよう -RStudio/Jupyter 最速攻略
データ分析オーバービュー -データ前処理の基礎知識
集計、グラフ作成、回帰分析 -くらべて学ぶ R/Excel データ分析の基本
Python のコードを読んで学ぶ -クローラで Web 上の情報を収集しよう!
データがつくられる背景を知る -コーディング前に知りたい統計知識
数理モデルと可視化 -さまざまなデータの理解と表現
重点ポイントを速攻習得!

2017年10月27日金曜日

【今日の読書】戦略的データサイエンス入門

書名: 戦略的データサイエンス入門
著者: Foster Provost、Tom Fawcett
訳者: 古畠 敦、瀬戸山 雅人、大木 嘉人、藤野 賢祐、宗定 洋平、西谷 雅史、砂子 一徳、市川 正和、佐藤 正士
出版: オライリー・ジャパン
ISBN: 978-4-87311-685-3

2017年10月24日火曜日

【今日の読書】バルカン 「ヨーロッパの火薬庫」の歴史

書名: バルカン 「ヨーロッパの火薬庫」の歴史
著者: マーク・マゾワー
訳者: 井上 廣美
出版: 中公新書
ISBN: 978-4-12-102440-4

2017年10月21日土曜日

聖アルベルジュ修道院の危機 [70]

Princes of the Apocalypse のキャンペーンは DM の都合でお休み。代わりに単発セッションです。キャンペーンはフォーゴットン・レルムズが舞台ですが、今回の単発セッションはグレイホークです。DM は僕。参加者は以下の通り。

ガラムガック, Barbarian5/Fighter1, Half-orc, CG, さるしんごさん
ブルグ, Ranger5/Cleric1, Human, NG (Pelor), つかださん
ナチョ, Paladin4/Warlock2, Human, LN (St.Cuthbert), いっちゃん
マイティ, Sorcerer6, Aasimar, NG, からくりさん
ラウルシルバ, Monk6, Wood Elf, LN, 画伯

Common Year 576, Patchwall

ジョフ大公国に於ける巨人戦役は、英雄らの活躍によって終結した。しかし大公国はその領域の西方三分の一を失う事になった。現在その西域は The Waste West (荒涼の西) と呼ばれている。戦役を通じ多くの騎士を失なったオーウェン一世は急性な失地挽回には出ず、防衛線を引き国力の回復に努める方針を打ち出している。

住まう土地を失なった難民はゴルナを初めとする大公国内の大都市へと流れ、都市部の治安は悪化の一途を辿っている。

難民や西部戦線近くに住む人々には、戦役の英雄としてオーウェン一世より「西方辺境伯」を叙爵されたジルダッド卿を、国土奪還の盟主として仰ぐ向きも多い。またジルダッド卿の盟友であり人民解放の闘士として名高い聖騎士アルベルジュ卿は、莫大な私財を投じ荒涼の西に新たな修道院の建立を宣言。アルベルジュ卿の導師であるザ・サモナーの司祭ヴァイナモイネン師の下、荒野に建設されつつあるそれは、東の都市部まで逃げられない人々の希望のよすがとなっている。

しかし、このジョフに於ける西の自由の橋頭堡たる聖アルベルジュ修道院は、今まさに危機に瀕していた。巨人が撃退された事で、巨人に隷属していた様々な亜人種が平原へ下り、軍事的空白となった荒涼の西で略奪の限りを尽していた。建立中の修道院もその魔の手からは逃れ得ず、オークの襲撃を辛くも退ける綱渡りの日々が始まっていた。

……という訳でヴァイナモイネンに集められた修道院の積極的防衛戦力が先述の五人。

あとは修道院を襲ってきたオークを撃退して、逃げたオークを落って根拠地を見つけ、ダンジョンに潜って色々なオーク (Volo'g Guide to Monsters 収録)を虐殺して終わり。

2017年10月20日金曜日

【今日の読書】物語 ウェールズ抗戦史 ケルトの民とアーサー王伝説

書名: 物語 ウェールズ抗戦史 ケルトの民とアーサー王伝説
著者: 桜井 俊彰
出版: 文春新書
ISBN: 978-4-08-721004-0

2017年10月19日木曜日

【今日の読書】年はとるな

書名: 年はとるな
著者: 土屋 賢二
出版: 文春文庫
ISBN: 978-4-16-790950-5

2017年10月11日水曜日

D&D 5 版 対訳表

2017 年 10 月 11 日現在公開されているベーシックルール日本語版に準拠して対訳表を作りました。不足があれば都度足します。

DC, 難易度
aberration, 異形
ability check, 能力値判定
ability score improvement, 能力値上昇
ability score, 能力値
abjuration, 防御術
abyssal (language), 奈落語
acid, [酸]
acolyte, 侍祭
acrobatics (skill), 〈軽業〉
action surge, 怒涛のアクション
additional fighting styule, 戦闘スタイル追加
advantage, 有利
alignment, 属性
ammunition (weapon property), 矢弾
animal handling (skill), 〈動物使い〉
arcana (skill), 〈魔法学〉
arcane recovery, 秘術回復
arcane spell, 秘術魔法
arcane tradition, 秘術の学派
archery, 弓術
area of effect, 効果範囲
athletics (skill), 〈運動〉
attack modifier, 攻撃修正値
attack roll, 攻撃ロール
attack, 攻撃
attunement, 同調
backgroud, 背景
beast, 野獣
blessed healer, 幸いなる癒し手
blinded, 盲目状態
blindsense, 非視覚的感知
blingsight, 疑似視覚
bludgeoning, [殴打]
bonds, 関わりの深いもの
bonus action, ボーナス・アクション
brave (racial feature), ハーフリングの勇気
bright light, 明るい明るさ
burrow, 穴掘り
cantrip, 初級呪文
cast a spell, 呪文の発動
cast, 発動
casting time, 発動時間
celestial (language),天上語
celestial, セレスチャル
challenge rating, 脅威度
champion, チャンピオン
channel divinity, 神性伝導
chaotic, 混沌
charisma, 【魅力】
charmed, 魅了状態
class feature, クラス特徴
class, クラス
climb, 登攀
cold, [冷気]
common (language), 共通語
common (magic item), コモン
components (spell), 構成要素
concentration, 精神集中
cone (spell), 円錐
conjuration, 召喚術
constitution, 【耐久力】
construct, 人造
contest, 対抗判定
cover, 遮蔽
criminal contact, 黒社会のコネ
criminal, 犯罪者
cubu (spell), 立方体
cunning action, 巧妙なアクション
cylinder (spell), 円筒形
darkness, 暗闇
darkvision, 暗視
dash, 早足
deafened, 聴覚喪失状態
death saving throw, 死亡セービングスロー
deception (skill), 〈ペテン〉
deep speech, 深淵語
defense, 防御
deity, 神格
destroy undead, アンデッド破壊
dexterity, 【敏捷力】
difficult terrain, 移動困難な地形
dim light, 薄暗い明るさ
disadvanage, 不利
disengage, 離脱
divination, 占術
divine domain, 信仰の領域
divine intervention, 神性介入
divine spell, 信仰魔法
divine strike, 信仰込めた打撃
dodge, 回避
domain spell, 領域呪文
domain, 領域
draconic (language),竜語
dragon, ドラゴン
drow, ドラウ
dsciple of life, 生命の使途
dueling, 片手武器戦闘
duergar, ドゥエルガル
duration, 持続時間
dwarven armor training, ドワーフ流防具訓練
dwarven combat training, ドワーフ流武器訓練
dwarven resilience, ドワーフの毒耐性
dwarven toughness, 壮健なるドワーフ
dwarvish, ドワーフ語
elemental, エレメンタル
elf weaon training, エルフ流武器訓練
elusive, 補足不能
elvish, エルフ語
empowered evocation, 力術強化
enchantment, 心術
equipment pack, 装備品パック
evasion, 身かわし
evil, 悪
evocation savant, 力術の徒
evocation, 力術
evocation, 力術
expenses, 生活費
expertise, 習熟強化
extra attack, 追加攻撃
extra language, 追加言語
fast hands, 器用な指先
feeet of foot, 俊足
fey ancestry, フェイの血筋
fey, フェイ
fiend, フィーンド
fighting style, 戦闘スタイル
finesse (weapon property), 妙技
fire, [火]
flaws, 弱味
fly, 飛行
folk hero, 民衆英雄
force, [力場]
frightend, 恐怖状態
gargantuan size, 巨大
giant (language), 巨人語
giant, 巨人
gnomeish, ノーム語
goblin (language), ゴブリン語
good, 善
grappeled, つかまれた状態
grapple, 組みつき
great weapon fighting, 両手武器戦闘
group check, 集団判定
half cover, 1/2 遮蔽
halfling (language), ハーフリング語
halfling nimbleness, すり抜け移動
heavily obscured, 重度の隠蔽
heavy (weapon property), 重武器
heavy armor, 重装鎧
help, 援護
hide, 隠れ身
history (skill), 〈歴史〉
hit dice, ヒット・ダイス
huge size, 超大型
humanoid, 人形生物
ideals, 尊ぶもの
illusion, 幻術
immunity, 完全耐性
improved critical, クリティカル率上昇
improvised weapon, 代用武器
incapaciated, 無力状態
indomitable, 不屈
infernal (language), 地獄語
initiative, イニシアチブ
initimidation (skill), 〈威圧〉
innate spellcasting, 生得呪文発動能力
insight (skill), 〈看破〉
inspiration, インスピレーション
instant death, 即死
instantaneous (spell), 瞬間
intelligence, 【知力】
investigation (skill), 〈捜査〉
invisible, 不可視状態
jumpk 跳躍
keen sense, 鋭敏感覚
knowledge domain, 知識の領域
lair action, 住処アクション
large size, 大型
lawful, 秩序
legendary (magic item), レジェンダリー
legendary action, 伝説的アクション
legendary creature, 伝説的クリーチャー
life domain, 生命の領域
lighly obscured, 軽度の隠蔽
light (weapon property), 軽武器
light armor, 軽装鎧
light domain, 光の領域
lightning, [電撃]
line (spell), 直線
loading (weapon property), 装填
long rest, 大休憩
lucky (racial feature), ハーフリングの幸運
martial archetype, 戦士の累計
martial weapon, 軍用武器
mask of the wild, 自然隠れ
material, 物質要素
medicine (skill), 〈医術〉
medium armor, 中装鎧
medium size, 中型
melee attack, 近接攻撃
melee weapon, 近接武器
melee, 近接
military rank, 軍の階級
modifier, 修正値
monstrosity, 怪物
mount, 乗騎
mounted combat, 騎乗戦闘
multiverse, 多次元宇宙
naturally stealthy, 隠密の天性
nature (skill), 〈自然〉
nature domain, 自然の領域
necromancy, 死霊術
necrotic, [死霊]
neutral, 中立
ooze, 粘体
opportunity attack, 機械攻撃
orcish, オーク語
overchannel, 限界突破
pantheon, パンテオン
paralyzed, 麻痺状態
passive check, 受動判定
performance (skill), 〈芸能〉
perseption (skill), 〈知覚〉
personality traits, 人格的特徴
persuation (skill), 〈説得〉
petrified, 石化状態
piercing, [刺突]
plant, 植物
poison, [毒]
poisoned, 毒状態
potent cantrip, 初級呪文強化
potion, ポーション
prepare spell, 準備呪文
preserve life, 生命保護
primodial (language), 始原語
proficiency bonus, 習熟ボーナス
proficiency, 習熟
prone, 伏せ
prone, 伏せ状態
protection, 護衛
psychic, [精神]
race, 種族
radiant, [光輝]
range (weapon property), 射程
ranged attack, 遠隔攻撃
ranged weapon, 遠隔武器
ranged, 遠隔
rare (magic item), レア
rarity, レアリティ
reacdy, 待機
reach (weapon property), 間合い
reaction, リアクション
regional effect, 環境に及ぼす効果
reliable talent, 確かな技術
religion (skill), 〈宗教〉
remarkable athlete, 抜群の身体能力
researcher, 研究能力
resistance, 抵抗
rest, 休憩
restrained, 拘束状態
ring, 指輪
ritual casting, 儀式発動
ritual, 儀式
roguish archtype, ローグの類型
rustic hospitality, 民衆の支持
sage, 賢者
saving throw, セーヴィング・スロー
sclupt spells, 呪文効果範囲操作
scroll, 巻物
search, 捜索
second wind, 底力
second-story walk, 屋根渡り
senses, 感覚
shelter of the faithful, 信仰あつき者の保護
short rest, 小休憩
shove, 突き飛し
sight, 四角
signature spells, 愛用呪文
simple weapon, 単純武器
skill, 技能
slashing, [斬撃]
sleight of hand (skill), 〈手先の早業〉
slippery mind, 囚われぬ心
small size, 小型
sneak attack, 急所攻撃
social interaction, 社交的やりとり
soldier, 兵士
somatic, 動作要素
space, 接敵面
special (weapon property), 特殊
spell known, 呪文修得数
spell mastery, 呪文体得
spell prepare, 呪文の準備
spell slot, 呪文スロット
spell, 呪文
spellbook, 呪文書
spellcasting ability, 呪文発動能力値
spellcasting focus, 呪文発動時の焦点具
spellcasting, 呪文発動
sphere (spell), 球体
spy, 間者
squeezing, 無理矢理入りこむ
stabilizing, 容態安定化
stealth (skill), 〈隠密〉
stonecunning, 石工の勘
stout resilience, スタウトの毒耐性
strength, 【筋力】
stroke of luck, 幸運児
stunned, 朦朧状態
subrace, 亜種族
superior critical, クリティカル率大上昇
supremen sneak, 隠密無双
surpreme healing, 治癒の極意
surprise, 不意打ち
survivor, 生命力
suvival (skill), 〈生存〉
swim, 水泳
sylvan (language), 森語
target, 目標
telepathy, テレパシー
tempest domain, 嵐の領域
temporary hit points, 一時的ヒット・ポイント
thief's reflexes, 神速
thief, 盗人
thieves' cant, 盗賊の符牒
three-quarters cover, 3/4 遮蔽
thrown (weapon property), 投擲
thrown weapon, 投擲武器
thunder, [雷鳴]
tier, 段階
tiny size, 超小型
tool proficiency, 道具習熟
total cover, 完全遮蔽
trade goods, 交易品
transmutation, 変成術
tremorsense, 振動感知
trickery domain, 欺きの領域
truesight, 超視覚
turn undead, アンデッド退散
two-handed (weapon property), 両手用
two-weaponn fighting, 二刀流
type (monster), 種別
unaligned, 無属性
uncanny dodge, 直感回避
uncommon (magic item), アンコモン
unconscious, 気絶状態
undead, アンデッド
undercommon, 地下共通語
underwater combat, 水中戦闘
use an object, 物体の捜査
use magic device, 魔法装置使用
vary rare (magic item), ヴェリー・レア
vehicle, 乗り物
verbal, 音声要素
versatile (weapon property), 両用
vulnerability, 脆弱性
wand, ワンド
war domain, 戦の領域
warking together, 協力
weapon properties, 武器の特性
weave, 織
wisdom, 【判断力】
wondrous item, その他の魔法のアイテム
xp, 経験点

2017年10月9日月曜日

【今日の読書】海の地政学 海軍提督が語る歴史と戦略

書名: 海の地政学 海軍提督が語る歴史と戦略
著者: ジェイムズ・スタヴリディス
訳者: 北川 知子
出版: 早川書房
ISBN: 978-4-15-209707-1

2017年10月7日土曜日

D1-2 Descent into the Depthes of the Earth 3 / GDQ 29 [69]

GDQ キャンペーンの 29 回目です。DM は死せる詩人。参加者は以下の通りです。

ヴァルト, Cleric (Tempest Domain) 17, Human, CG (Procan), 六平文吾さん
ギャンガ, Wizard (Abjurar) 17, Human, TN (Boccob), つかださん
ジルダッド, Fighter (Eldritch Knight) 17, Half-Orc, NG (Celestian), 羽生さん
トム, Fighter (Champion) 17, Human, TN (Procan), 満月
ナヴァラン, Rogue (Arcane Trickster) 9/Ranger (Hunter) 5/Fighter (Battle Master) 3, Wood Elf, CG (Myhriss), いっちゃん

パラディンのアルベルジュはプレイヤのそば君が DAC 参加の為お休み。彼が
DAC に参加せず今日のセッションに来たら驚くよね。

前回の続きでトログロダイトとバグベアとトロルに満ちた地下大洞窟をうろつ
きます。適当にトロルとトログロダイトを虐殺して幾許かの今の彼らにとって
はどうでもよいお宝を得ました。この大洞窟略奪中に得た謎の地図 (実際は脇
道冒険の手掛かり) を当てにして地下の主道を逸れて脇道へ進みます。

脇道を進むこと約三日。広大な地下空間に広がる丘陵地とその間を縫う大裂け
目を発見します。大裂け目から程近い丘に横穴が掘られているのを発見し、こ
れが地図の示すダンジョンであろうと妄想を広げ、ただただお宝を目指して吶
喊します (どうせ同調スロットが一杯でこれ以上マジックアイテムを手に入れ
てもさしてパワーアップしないのに……)。

ダンジョンの中はホブゴブリンとユゴロスで構成される傭兵団らしきものの根
城になっていました。味方だけ対象から外せる特殊能力をもったホブゴブリン
の破壊魔術師や、メゾロス集団のクラウドキル連発などに鬱陶しく削られつつ
進むと、ニカロスやウルトロスも出てきて大混戦。

こんな傭兵雇っているのは一体どこのどいつだと思いながら奥へ奥へと進むと、
最後には主人のビホルダーと、近衛のニカロス二体、メゾロス四体と会敵。ア
ンチマジックレイに苦戦しつつも 17 レベルキャラクタの強力なパワーで強引
に押し切りこれも虐殺。

今日はここまで。

2017年9月26日火曜日

D&D 5 版 Sage Advise 抄訳 201709

2017 年 9 月 にウィザーズ社のサイトで公開された Sage Advise「RULES ANSWERS: September 2017」の抄訳です。

5 版日本語版の発売も決まったし、頑張ってベーシックルールの日本語版を元に用語を日本語化してみました。ベーシクルールに無い用語は単にカタカナ表記にしてあります。用語・表記統一って意外と面倒なのよね。

Q1: ウォー・マジックの特徴を持ったエルドリッチ・ナイトがトゥルー・ストライクの呪文を使ったとして、ウォー・マジックの特徴によって得たボーナス・アクションの攻撃にトゥルー・ストライクによる有利は付きますか。

A1: 付きません。トゥルー・ストライクの効果が得られるのは呪文の説明通り次のラウンドです。

Q2: ダーツはモンク武器ではありませんが、モンクの初期装備に存在します。何故?

A2: モンクに遠隔攻撃方法を提供する為です。[訳注: ダーツは単純武器でモンクは単純武器に習熟はしています]

Q3: ウェイ・オブ・ザ・フォー・エレメンツのモンクはエレメンタル・アチューンメントを他のエレメンタル・ディシプリンに置き変える事は出来ますか。

A3: はい。6、11、17 レベルで他のディシプリンに置き変えられます。

Q4: ローグの確かな技術 (reliable talent) の特徴は抜群の身体能力 (remarkable athlete) やジャック・オブ・オール・トレーズ [訳注: バードの特徴] と同時に機能しますか?

A4: はい。

Q5: エンパワード・スペルはスコーチング・レイの呪文の全てのレイに効果を発揮しますか? それともどれか 1 つ?

A5: ソーサラーのエンパワード・スペルの能力は、スコーチング・レイの複数のレイに能力の制限の範囲内で効果を与える事が可能です。例示します。【魅力】修正値が +3 のあなたがスコーチング・レイの呪文で 3 本のレイを放ったとします。あなたは 3 本それぞれのレイのどれか 1 つのダイスを振り直す事も可能です。またどれか 1 つのレイの 2 つのダイスを振り直し、また別のレイの 1 つのダイスを振り直す事ができます。[訳注: 要するに 1 つの呪文に対して最大で【魅力】修正値の個数分のダイスの振り直しができるという事]

Q6: ソーサラーがツインド・スペルの能力を使ってウィッシュの呪文を複製する事は可能ですか。その時のソーサリィ・ポイントは幾つですか。

A6: 可能です。必要なソーサリィ・ポイントはルール通り呪文レベルと同じだけです。

Q7: 《デュアル・ウィルダー》の特技を持ったキャラクタが重武器を片手に 1 つずつに持つ事は可能ですか?

A7: できません。プレイヤーズ・ハンドブックに掲載されている全ての重武器は両手用の特徴も持っているからです。

Q8: 強制的に自分に近寄ってきた相手に対して、《ポールアーム・マスター》の特技で機会攻撃出来ますか。

A8: 出来ません。強制移動は機会攻撃を誘発しません。しかし移動アクション [訳注: 厳密に言えば 5 版に移動アクションは存在しないが便宜上、自分のターンなどに行なう自発的に行なう移動を移動アクションと呼称しておく] やアクション、リアクションで行なった移動の場合は機会攻撃を誘発します。例示します。アンチパシィ/ シンパシィの呪文は対象に移動アクションをさせます。この移動アクションは機会攻撃を誘発します。同じくディサナント・ウィスパーの呪文はリアクションでの移動を行なわせます。この移動も機会攻撃を誘発します。一方ガスト・オブ・ウィンドの呪文は対象を押しやります。これは強制移動なので機会攻撃を誘発しません。

Q9: 《サヴェージ・アタッカー》の特技は、ローグの急所攻撃やパラディンのディヴァイン・スマイトのダメージも振り直せますか。

A9: いいえ。振り直せるのは武器ダメージだけです。

Q10: 不意打ちのルールは 2 つの敵対的集団の為のルールです。もし 3 つ目の戦闘集団が隠れていた場合はどうなりますか?

A10: 不意打ちのルールは、戦闘の開始時のみに関わるルールです。全ての伏兵は単に【敏捷力】 (〈隠密〉) 判定を行なうだけです。

Q11: ローグ/ ウィザードのマルチクラスキャラクタが、巧妙なアクション (cunning action) を使い、ボーナス・アクションで早足 (Dash) で移動した時、更にエクスペディシャス・リトリートの呪文を行使して更にボーナス・アクションで早足を行なう事は可能ですか?

A11: 不可能です。ボーナス・アクションは常にターンに 1 回までです。

Q12: 待機を例えば複数回攻撃の最初の攻撃と 2 回目の攻撃の間に行なう事はできますか。

A12: 待機はトリガーとなる事象の直後に即座に発生します。もしトリガーを「攻撃されたら」と定義したのであれば、攻撃された直後にあなたの行動が生起します。

Q13: 二刀流で、両方の攻撃 (通常とボーナス) で突き飛ばし (shove) を行なう事は可能か?

A13: いいえ。二刀流によるボーナス・アタックは軽武器による最初の攻撃があって、その後に初めて可能になる行動です。そして突き飛ばしは特殊な近接攻撃であって武器攻撃ではないので二刀流によるボーナス・アタックを生起しません。[訳注: という事はファイター 5 レベルなどで追加攻撃が可能な場合、主武器側の 1 回目の攻撃で突き飛ばしを行ない 2 回目で武器攻撃をすれば、その後に二刀流のボーナス・アタックは可能か? 但し二刀流によるボーナス・アタックは武器攻撃のみと定義されているのでこちらでは突き飛しは依然として不可能と思われる]

Q14: ドラゴンがブレス攻撃を私にしてきたとします。セーブには成功し、また私がブレスのダメージ属性に対する抵抗を持っていた場合、私の被るダメージは 4 分の 1 になりますか?

A14: はい。

Q15: バトル・マスターでないキャラクタが武器落し (disarm) を試みる事は可能ですか。

A15: DMG271 ページの The Disarm action potion を使えば可能です。

Q16: スコーチング・レイエルドリッチ・ブラストの様な複数の対象に影響する呪文を使った時、最初のレイないしビームを放って結果を決めた後、次の攻撃をすれば良いですか? それとも最初に対象を全て決定してから、命中判定を行なえば良いですか。

A16: これらの呪文の効果時間は瞬間ですが、対象を選択し攻撃を解決するのは一度に全部ではなく順に行ないます。もし望むのであれば、最初に全ての対象を決定してから攻撃の解決をしても良いです。

Q17: ブラインディング・スマイトの追加 [光輝] ダメージは、効果時間中の全ての攻撃に乗りますか。

A17: いいえ。最初の一撃だけです。

Q18: 既に恐怖状態にあるキャラクタに、ヒロイズムを掛けたら、恐怖状態は除去 (remove) されますか。

A18: ヒロイズムは既に効果を発揮している恐怖状態 (frightened) を抑制 (suppress) します。呪文が終了した時に、対象の恐怖状態がまだ続いているならば再開します。

Q19: 休憩を行なう事でマジック・アイテムの鑑定が可能です。またアイデンティファイは呪いを発見する事も出来ません。一体アイデンティファイの価値って何なんでしょうか。

A19: もっとも重要な要素は時間と利便性です。1 時間掛かる小休憩中に 1 つのマジックアイテムの能力を知る事ができます (DMG136 ページ"Identifying a Magic Item"参照)。一方でアイデンティファイの呪文を使えば 1 分 (儀式執行なら 11 分) で同じ事が出来ます。[訳注: 中にはアイデンティファイで判別可能な呪いのマジック・アイテムもある]

Q20: 組みつき (grappling) や突き飛ばしを敵に行なうとサンクチュアリィは終了しますか。

A20: します。

Q21: ターシャズ・ヒディアス・ラフターの説明文は、対象を伏せにさせた場合のみ無力状態 (incapacitate) になると読めますが、これは正しい解釈ですか。

A21: いいえ。対象が伏せにならなくても無力状態になります。

Q22: シャドウがクリティカル・ヒットした時、攻撃対象の【筋力】は 2d4 減りますか。

A22: いいえ。クリティカル・ヒットではダメージダイスが 2 倍になるだけです。ダメージを与える効果というのはつまり対象のヒットポイントを減らす効果の事です。シャドウの【筋力】減少 (reduction) はヒットポイントには影響しないのでダメージではありません。