この記事では、ストーリーテリングがいかに効果的に子供を数学に引き込むことができるかを述べています。著者は、架空のスパイ物語を使って数学的概念をスリリングな冒険に巧みに織り込んだり、若いスカウトの自信を高め、困難を克服するための英雄的な物語を作ったりするなど、個人的な逸話を共有しています。中心的な主張は、ストーリーテリングは子供たちにとって単なる反復練習よりもはるかに効果的で、自然な好奇心と数学的原理のより深い理解を育むということです。著者は、基本的な数の感覚とより高度な概念のギャップを埋めるために、ストーリーに焦点を当てた数学コンテンツの増加を提唱しています。
続きを読む
この記事では、複雑な確率分布からのサンプリングを行う強力な手法であるマルコフ連鎖モンテカルロ法（MCMC）について、分かりやすく解説しています。赤ちゃん名の確率分布を推定するという例えを用いて、MCMCが解決する中心的な問題を説明しています。MCMCをグラフ上でのランダムウォークに巧みに関連付け、定常分布定理を利用して、定常分布が目標分布と一致するマルコフ連鎖を構築する方法を示しています。一般的なMCMC手法であるメトロポリス・ヘイスティングスアルゴリズムを紹介し、その有効性を示しています。
続きを読む
2020年、Googleのサプライチェーン部門で働いていた著者は、線形計画（LP）の理解を支援するためのサイドプロジェクトを開発しました。LPが複雑になると、その結果を理解することは専門家にとっても困難になります。著者のアプローチは、モデルをインタラクティブに変更し、結果を比較してモデルの動作を説明することであり、意味のあるメタデータを追加することでプロセスが簡素化されることを発見しました。最近、Microsoftの研究者たちは、自然言語クエリを構造化クエリに変換するために大規模言語モデル（LLM）を使用する論文を発表し、同様の結果を得ています。著者は、LLMは人間の曖昧さを構造化クエリに変換し、堅牢な古典的な最適化システムによって処理され、その結果がLLMによって要約されるのに最適であると考えています。著者の以前の仕事は未発表でしたが、彼はより単純なシステムの説明を理解することが、より複雑なAIシステムを説明するために不可欠であると主張しています。
続きを読む