デイトラでプログラミングスキルをつけたいけど、挫折したくないな。挫折してしまった人の意見や、挫折せずに着実にプログラミングスキルを身につける方法を知りたい。

こんな疑問に答えます。

デイトラを実際に受講しはじめたものの、挫折してしまった人の多くは「難しすぎる」という理由で挫折してます。

では、挫折を防ぐにはどうすればよいのか？

デイトラに関わらず、プログラミング学習で挫折しない方法は以下です。

デイトラで挫折しない方法【6選】

特に、「コードの書き方を丸暗記しない」というのはとても大事！

事実、「プログラミングのコードを覚えるな」というツイートをしたところ、多くの方から賛同の”いいね”を頂きました。

おすすめは、コードの書き方をその都度完璧に覚えるのではなく、必要なときにすぐに参照できるようにプログラミングノートを作ることです。

私はこれまで100以上のオンラインプログラミング教材やスクールで学んできた現役エンジニアなので、

デイトラで挫折しない方法を熟知しています。

この記事では、デイトラでプログラミングを学ぼうと考えている人向けに、

挫折せずにデイトラを完遂する方法を解説します。

記事の後半では、デイトラを安く受講する方法も紹介するので、ぜひ最後まで読んでくださいね。

デイトラで挫折してしまった実受講者の口コミ

デイトラを実際に受講した方々の口コミを集めました。

デイトラで挫折した主な理由は下記の通り。

デイトラで挫折してしまった人の主な理由

特に、「難しすぎて挫折した」という口コミが最も多かったです。

実際の口コミを見てみましょう。

デイトラのカリキュラムが難しすぎて挫折した実受講者

デイトラのカリキュラムが難しすぎて挫折した実際の受講者の口コミを集めました。

やっぱり、そんな甘いもんじゃないよね。デイトラを受講するの諦めようかな。。。

確かにデイトラは難しい。でも、難しいことができるからこそ価値があるんだ！記事の後半で挫折を防ぐ方法を紹介するから、前向きにチャレンジしてほしいです。

勉強時間が確保できなかった

デイトラで挫折した人の中に、学習時間を確保できなかった方がいました。

デイトラを購入するだけでスキルが身につくわけではないので、受講前に学習時間を確保できるか確認しておきたいですね。

デイトラで挫折してしまう人の思考・特徴

デイトラで挫折してしまう人の特徴を整理しました。

デイトラで挫折しやすい人

それぞれ解説します。

挫折する人の特徴１：完璧主義

デイトラで学び始める際は、完璧主義をなくしましょう。

その根拠は、「プログラミングは覚えるものではない」からです。

学校の試験のように、暗記する必要はありません。

コードはまとめてプログラミングノートにまとめましょう。

プログラミングノートについては、別記事の「【手書きNG】プログラミングノートはBoostnoteがおすすめ」を見てみてください。

最初は完璧に暗記しようとせず、プログラミングの全体像を把握しましょう。

挫折する人の特徴２：学ぶ姿勢が受動的

デイトラで挫折する人の特徴として、「学ぶ姿勢が受動的」というのがあります。

プログラミングは、答えが無数に存在する世界です。

そのため自分なりに「仮説を立てて検証をする」という行動を繰り返すことで力が付きます。

学ぶ姿勢が受動的な方は、「こうやったらうまくいくのではないか」という仮説を立てようとしません。

この記事を読んでいるあなたは、ぜひ仮説と検証を繰り返しながら学習してください。

挫折する人の特徴３：エラーに対して悲観的になる

デイトラで挫折する人の多くは、「エラーが出る＝自分はエンジニアに向いてない」と思い込む人です。

エラーを全く出さずにシステムを作れる人はほぼ皆無なので、安心してください。

ベテランのエンジニアでさえ、日々エラーと戦ってます。

エラーが出たときに、以下のように分析して解決策を考えられればOKです。

デイトラでエラーが出たときの行動例

どうしても解決できなかったら、デイトラのスタッフに質問しましょうね。

挫折する人の特徴４：学習時間が少ない

デイトラで挫折する人の特徴として、そもそもプログラミングの学習時間が少ない人が多いです。

プログラミング学習は、少しで良いので毎日するのがおすすめです。

なぜならプログラミングは、”言語”だから。

英語が話せるようになるには、毎日英語で会話することが大切なのはご存知ですよね。

プログラミングも英語と同じ”言語”なので、毎日コードを書く習慣をつけましょう。

デイトラで挫折しない方法

最初に結論です。

デイトラで挫折しない方法を下記にまとめますね。

デイトラで挫折しない方法【５つ】

ひとつずつ解説します。

挫折しない方法１：未経験ならデイトラで学習する前にプログラミングの基礎を学ぼう

デイトラでプログラミングを学び始める際、全くプログラミングをやったことが無い状態から始めるのは控えましょう。

なぜならデイトラのカリキュラムは、フリーランスとして稼げるレベルになることを前提としたカリキュラムであり、

難易度が高いからです。

実受講者からも、「難しい」という声が多く見られます。

デイトラと合わせて活用すると良い教材は、下記のとおりです。

デイトラと合わせて学ぶと良い教材

Progateに関しては、無料枠で問題ありません。

手を動かしながら「プログラミングってこんな感じなのか」という感覚だけつかめばOKです。

挫折しない方法２：プログラマに特化したメモアプリを活用する

デイトラでプログラミングを学ぶ上で大事な考え方ですが、

「1から10まで全部理解して覚えようとするな」です。

プログラミングというのは「言語」です。そのためプログラミングを全部覚えるのはほぼ不可能です。

どうすればよいのかというと、プログラマに特化したメモアプリを使うことです。

おすすめは「Boostnote」です。

プログラミングノートについては、別記事の「【手書きNG】プログラミングノートはBoostnoteがおすすめ」にまとめてるので合わせて読んでみてください

【手書きNG】プログラミングノートはBoostnoteがおすすめ

挫折しない方法３：エラーが出るのは当たり前だと考える

デイトラでプログラミング学習する際に、挫折する原因の上位は、「エラー」です。

レクチャ通りにコードを書いても、エラーが出力され、期待する動作をしないときに挫折します。

しかし、エラーが出力されるのは現役エンジニアでも日常茶飯事なので、気にしないでください。

プログラミングの半分以上はエラーとの戦いです。

大事なのは、「出力されたエラーから何が原因かを想定し解決策を考える力」です。

エラーを解決した数が多いほど、エンジニア力がつくものと考えればOKです。

挫折しない方法４：エラーを解決できなければデイトラのメンターに質問しよう【質問の仕方も解説】

デイトラでの学習でエラーが出たら、下記の行動を取ると良いでしょう。

デイトラでエラーが出力されたら取るべき行動

たくさん質問しても嫌がられないので安心してください。

受講者の中には、66回もやり取りした方もいます。

とはいっても、むやみにわからないことを聞いては意味がありません。

どのように質問すればよいのか解説しましょう。

エラーが解決しなかった場合の質問の仕方

質問をする際は下記を意識しましょう。

デイトラのメンターに質問する際の注意点

なぜならメンターの方は忙しい方なので、なるべく聞きたいことを最初に述べるのが良いからです。

例えば下記のような感じで質問すると良いでしょう。

質問文の例

Windows10の環境にdocker-composeでRailsの環境を構築しようとしたところ、下記のエラーが発生し解決できないので、解決策をご教授いただけないでしょうか？
Couldn't find database client: mysql, mysql5. Check your $PATH and try again.
エラー発生時のdockerfileは下記のとおりです。
（ソースコードを記述）
Googleでエラーの内容を検索したところ、MySQLアカウントが作成されていないのが原因だと考え、下記のようにdockerfileを修正しましたが、同様のエラーが出てしまい解決に至ってません。
（修正したソースコードを記述）
お手数ですが、解決策をご教授いただけると幸いです。

こんな感じで質問すればOKです。

挫折しない方法５：一旦休憩する

デイトラに挫折したら、一旦休憩するのもありです。

行き詰まったら少し離れて、別の教材で学んで気分転換するのが効果的です。

挫折しない方法６：分からなくても一旦デイトラのカリキュラムを進める

結論としては、わからない箇所があっても一旦カリキュラムを進めてみましょう。

なぜならカリキュラムを進めていく過程で、分からなかった箇所が理解できるようになる場合が多いからです。

そもそもデイトラは、視聴期限が無期限で何回でも教材をみることができます。

まずは一気に動画教材を見通して、全体像を把握してから細かい部分を学ぶと、挫折しにくくなるでしょう。

デイトラで挫折せずに目標を達成するコツ【デイトラ運営者のメッセージ】

デイトラで挫折せずにやりきるコツを、デイトラ運営者のショーヘーさん（@showheyohtaki）が解説してくれてます。

そもそもデイトラで挫折しても大丈夫です

ここまでデイトラで挫折しない方と挫折する人の特徴を解説しましたが、

正直デイトラでプログラミング学習に挫折しても問題ありません。

デイトラでプログラミング学習に挫折したら、以下の行動をとればOK。

デイトラで挫折したら取るべき行動

それぞれ理由を解説します。

＼ 半永久的に動画教材が見放題！ ／

デイトラで挫折したら１：一旦プログラミング学習を辞めて、後で再挑戦する

デイトラで挫折したら、一旦プログラミングから距離をおいて、再チャレンジすればよいのです。

というのも、デイトラには受講期限がありません。

なので、挫折したら一度挫折すればよいのです。

事実、デイトラで1度挫折した人の多くが再チャレンジしてます。

挫折しても再チャレンジできる環境があるのがデイトラの良いところでもあります。

恐れずチャレンジしましょう！

デイトラで挫折したら２：プログラミング学習の経験が生きる別の学習を始める

デイトラでプログラミング学習に挫折したら、デザインの領域に移行するのもありです。

デイトラを運営している方も、プログラミング挫折組はデザインに移行することを勧めてます。

デイトラ運営者の方がおっしゃるとおり、デザインはコードの実行結果が目に見えて反映されるので、

コーディング自体が楽しいという特徴があります。

もしデイトラでプログラミングに挫折したら、デザインのスキルを身に着けてはいかがでしょうか？

デイトラの挫折関連でよくある質問

デイトラで挫折しないか心配してる方からいただくよくある質問に回答していきます。

質問1：デイトラの口コミが良い評判ばかりで怪しいのですが、、、

デイトラは何も怪しくないですよ。

受講者数は10,000名以上の実績がありますし、正直な口コミが投稿されるTwitter上にも悪い噂はありません。

基本的に悪い噂のあるプログラミングスクールは、価格に見合ったカリキュラムやサポートが提供されてないのが主な理由です。

デイトラは、カリキュラム自体が現場レベルで高度であり、1年間のサポート月でありながら10万以下の価格。

これは本気でコスパが良いです。

だからデイトラには悪い噂が無いんですね。

関連記事：デイトラの闇を暴く【炎上、怪しいという噂の真相】

質問2：デイトラをやめたくなったらどうすればよいですか？

デイトラは買い切り型のオンラインプログラミングスクールなので、やめたくなったらやめれば大丈夫です。

ただし、サービスの性質上、返金はされません。

まずはデイトラの無料体験を受講して、学習スタイルが自分にあってるか確認しましょう。

質問3：デイトラで毎日勉強できないかもしれないですが大丈夫ですか？

全く問題ありません。

受講期限が無期限なので、自分のペースで学べばOK！

質問4：デイトラって炎上したことありますか？

私がTwitterで調査した限り、デイトラの運営やカリキュラムの内容について炎上したことはありません。

関連記事：デイトラの闇を暴く【炎上、怪しいという噂の真相】

質問5：デイトラの評判が知りたい

本ブログでは、デイトラに関連する記事を多数公開してるので、合わせて読んでみてください。

関連記事：デイトラなら40代でも就職・転職できる？実受講者の口コミをもとに解説
関連記事：デイトラを受講して稼げるようになるのか？【実受講者の実績を解説】

質問6：デイトラより入門者向けのスクールはありますか？

ありますよ。

デイトラと同様に、受講期限なく半永久的に動画教材が見放題のスクールに絞ると下記2つです。

デイトラより入門者向けのスクール

比較記事も公開してるので、合わせて読んでみてください。

関連記事：スキルハックスとデイトラを比較【結局どっちが良いか実受講者が解説】
関連記事：デイトラとテックアカデミーを比較【結局どっちが良い？】

さいごに：デイトラで失敗しないための方法

デイトラで失敗したくないと思ってますよね？10万円近くを自己投資に当てるのは、簡単ではありません。

私もプログラミングスクール代として数十万のお金を使うことに抵抗がありました。

しかし、プログラミングを始めとしたITスキルのおかげで、人生が変わりました。

具体的には下記です。

プログラミングスキルを身につけると嬉しい事

私はSkillHacksというプログラミングスクールから学び始めましたが、

デイトラも受講期限なく最新の技術が学べるので、間違いありません。

本記事では、デイトラを安く受講する方法を別記事「【最新】デイトラ割引クーポンを入手する方法【6つ】」にまとめてるので、合わせて読んでみてください。

今後、受講料が値上がりする可能性があるので、はやめにデイトラで学び始めることをおすすめします。

＼ 半永久的に動画教材が見放題！ ／

受験や資格、普段の学習効率を高めてくれるタイマーが知りたいなぁ

このような疑問に答えたいと思います。

まず、よく使われているデジタル時計、アナログ時計は、集中力を最大化するタイマーとしてはイマイチです。

なぜなら、余計な文字情報が含まれていたり、視覚的に残り時間を瞬間的に理解できないからです。

結論として、私はmineetimer3というタイマーを導入して確実に最大5時間の集中力を維持することができています。

この記事では、mineetimer3というタイマー含め、勉強に最適なタイマーを4つピックアップし、比較評価をした上でmineetimer3がなぜ勉強に最適なタイマーなのかを教えます。

この記事を読むと、毎日勉強に励むあなたにとって最適なタイマーが見つかります。

関連記事：プログラミングスクールランキング | 厳選6社を徹底比較

勉強に最適なおすすめタイマーを選定する考え方

まず、勉強する上で最適と考えるタイマーの条件を整理します。

そのために、「集中できない原因」を理解しましょう。

集中できない原因は様々ですが、多くの研究結果を踏まえると、主に以下の3つが考えられます。

集中できない原因の詳細については、以下のページにまとめていますので合わせてご確認ください。

あわせて読みたい

プログラミングやPC作業の集中力を最大化する6つの方法 プログラミングやPC作業の集中力が続かない。仕事も捗らず残業続き。どうしたら何時間も集中することができるのだろう？ こんな悩みをに答えていきたいと思います。 実…

集中できない原因を踏まえて、勉強する上で最適と考えるタイマーの要件を以下のように設定します。

勉強の集中力を最大化するタイマーに必要なコト

勉強に最適なタイマー候補を抽出

勉強の集中力を最大化するタイマーに求める条件がだいたい決まったところで、Amazonで該当しそうなタイマーをピックアップしていきたいと思います。

minee3

ご覧の通り文字が全くありません。インターバルの設定も可能となっています。

TIME TIMER

数字情報はあるものの、視覚的に残り時間を瞬時に把握できるタイマーです。

時っ感タイマー

シリーズ累計3000個を売り上げているタイマー。簡単操作、静音、視覚的な残時間の把握が可能です。操作方法がシンプルなのも良さそうです

LibingHall

60分の視覚的なカウントダウンタイマーです。作りもシンプルで子供でも操作可能です。

おすすめ勉強用タイマーの比較表

ピックアップしたタイマーを比較していきます。

必要な機能として、文字情報の有無、残時間の視認性、インターバルの設定有無を軸に比較しました。

その他、品質保証、電池、Amazonの口コミも評価項目に加えて確認しました。

製品名	mineetimer3	TIME TIMER	時っ感タイマー	LivingHall
文字情報の有無	なし	あり	あり	あり
残時間の視認性	良	良	良	良
インターバルの設定	可	不可	不可	不可
品質保証	1年間の保証サービス	Amazonの30日の返品、返金保証	通常のAmazon保証と、ブランドの 「Ｗ安心保証」	30日間の払い戻し/交換
電池	USB-C充電（7日間使用可能）	単三電池×1本	単三電池×2本	単４電池×2本
Amazon評価 (2021.09.08時点)	(4.0 / 5.0)	(4.5 / 5.0)	(4.0 / 5.0)	(4.0 / 5.0)
口コミ （悪評）	LINEで問い合わせしても返答がない、等	アラーム音がわかりにくい	動作中にカチカチ音がする	カチカチ音が気になる
リンク（Amazon）	詳細を見る	詳細を見る	詳細を見る	詳細を見る

表を見ていただければおわかりの通り、mineetimer3は非の打ち所がありません。

勉強効率を最大化!タイマーのおすすめ使い方

基本的には、ポモドーロ法と呼ばれる25分集中し5分休憩というサイクルが良いでしょう。

もし25分では少し短いという場合は、48分集中し12分休憩するというサイクルもおすすめです。

タイマーを使った学習は、以下の2つがオススメ！
・25分集中、5分休憩
・48分集中、12分休憩

mineetimer3の使い方

ここからは、mineetimer3で「25分集中、5分休憩」というサイクルを3回繰り返す設定をしてみます。

STEP

タイマー裏の2つのボタンのうち、＋のボタンを押す

mineetimer3の裏面の右側の「+」ボタンを押しましょう。すると集中時間を設定するモードになります。

STEP

集中する時間を設定する

両方のボタンを使って集中する時間を25分に設定します。

以下のような状態になれば完了です。数字を設定し、数秒放置すると勝手に設定されます。

STEP

裏面の−ボタンを押す

次に裏面の2つのボタンのうち、左側の−ボタンを押します。

するとインターバル（休憩）時間と、集中・休憩を繰り返す回数を設定するモードになります。

STEP

繰り返す回数を設定すしmineetimer3の上部のボタンを押す

左右のボタンを使って繰り返し回数を設定します。

ここでは2回で設定します。

完了したら、mineetimer3の上部のボタンを押しましょう。（上部のボタンを押したら直ちにstep5. 休憩時間の設定をしましょう。数秒放置すると設定完了となります）

STEP

休憩時間の設定をする

繰り返す回数の設定が完了したら、そのまま休憩時間の設定を左右のボタンで設定します。

今回は5分の休憩なので5と設定すればOKです。数秒何もしなければ設定は完了します。

STEP

mineetimer3の上部のボタンを押して利用開始！

「ピッ」という音とともに、タイマーが開始します。

操作自体は最初は少しむずかしいかもしれませんが、慣れれば簡単です。

まとめ：おすすめ勉強用タイマーを比較し、mineetimer3の使い方をまとめました

最後に簡単にまとめます。

勉強用タイマーは、文字情報が少なく、インターバルの設定が可能なものを使いましょう。なぜなら、余計な文字情報は勉強中の集中力を妨げる余計な情報であることと、人間の集中力は適度に休憩を挟むのが大切だからです。

複数のタイマーを比較した限り、勉強に最適なタイマーは、mineetimer3です。

タイマーを使う際は、ポモドーロ法と呼ばれる「25分集中、5分休憩」を基本にすると良いでしょう。

ポモドーロ法だと集中力が高まってきたタイミングで時間切れになってしまう場合は、48分集中、12分休憩がおすすめです。

タイマーを使って、勉強効率を最大化させましょう。

悩んでいる男性

プログラミングやPC作業の集中力が続かない。仕事も捗らず残業続き。どうしたら何時間も集中することができるのだろう？

こんな悩みをに答えていきたいと思います。

実はエンジニアである私も集中力が続かずに悩んだ過去があります。しかし、本記事で紹介する方法を取り入れたら、確実に最大5時間の集中力維持が出来るようになりました。

これまで多くの研究機関が集中力を高めるための方法を研究したことで、集中力を高めるための方法論が明らかになってきました。

私が高い集中力を維持できるのは、集中力を高めるための方法論を横断的に調査し、プログラミングなどのPC作業を最大化する方法を具体化したからです。

この記事では、多くの研究結果から導かれた集中力を高める方法を整理し、特にプログラミングやPC作業の集中力を最大化する具体的な方法をまとめます。

この記事を読むと、「残業０」、「学習効率の最大化」、「成果の向上」などが図れます。

最初に集中力を最大化するポイントを述べます。

確実に集中力を維持するポイント（6つ）

順を追って具体的な内容をまとめていきます。

なぜ集中力を上げる必要があるのか

人間は集中状態になると、多くの仕事をこなせるようになります。

その結果、早く仕事を終えられるため、趣味や家族との時間を多く確保できますし、ストレスを小さくすることができます。

当然ながら、集中力を最大化させて作り上げられた成果物は、集中力を欠いた状態で作られた成果物よりも、質が高いです。

質の高い成果物が作れた時、大きな達成感を得られることでしょう。

集中状態になると、人の脳内にはドーパミンやアドレナリンと言う「脳内麻薬物質」が分泌されます。この脳内麻薬物質が集中力を高め、いかなる作業も”楽しい”と感じさせる効果をもたらします。

つまり、集中力をあげることは、単純に仕事を早く片付けるという効果だけでなく、作業を楽しいと思わせてくれる効果があるということです。

集中力を高めれば、脳内麻薬物質が分泌されて仕事が楽しくなるし、早く質の高い成果を出すことができるんだ。

多くのプログラマやPC作業者が集中力の維持に悩んでいる

Quoraには、集中力の維持に悩まれているプログラマで溢れています。

私は普段だと集中力は１５分くらいしか持ちません。調子がいいときでも３０分くらいです。昔はもうちょっと続いた気がしますが、それでも１時間はなかったと思います。

https://qr.ae/pGcvqt

続きません！プログラミング以外のことでも同様ですね。私は集中モードに入るまでに時間がかかるし、持続しないタイプです。まあでもそんなもんだと思っています。有名なプログラマも言っているんだから間違いない。

https://qr.ae/pGcvzy

8時間デスクに向かって仕事するというのはできますが、本気で集中するのは30分が限界ですね。しかも午前中。

https://qr.ae/pGcv65

多くの人が集中力の維持に課題を抱えていることがわかります。

「なんだ、集中力を維持できないのが普通なのか」と思われるかもしれませんが、裏を返せば、「確実に集中力を維持することができれば確実に他を圧倒できる」ということです。

おまてぃん

確実に集中力を維持する方法を理解できれば、上位数%レベルの成果が出せます。

集中できない原因（3つ）を知る

人間が集中できない原因は、以下3つに集約されます。

この3つを深堀りしていきます。

1. 他のことへの関心が上回っている

集中できない原因の1つに、「取り組むべき作業以外への関心が高くなってしまう」があります。

例えば、（不謹慎ですが）「毎日連絡先不明の迷惑電話が掛かってくる」という状態に置かれていると、いかなる作業や仕事よりも「迷惑電話」という心配事が上回ってしまい集中力を維持することができません。

また作業スペースに漫画やゲーム等がおかれていれば、目移りしてししまい、集中力が途切れる可能性が高くなります。

他にも、複数の仕事を抱えていると、特定の仕事や作業をしながらも「あの仕事はどうすればよいだろうか。」と気になり作業に没頭することができなくなります。

2. 疲労の蓄積

「集中する」という行為は、体力を必要とします。

そのため、長時間の作業による疲労の蓄積は、集中力を欠く大きな要因となります。

3. 危機感がない

例えば、夏休みの宿題が与えられた時、多くの人は夏休みが終わる直前にまとめて片付ける、というケースはよく見かけます。

人は、時間的に余裕があると、集中することの必要性を感じないため、集中しません。

【本題】集中力を高めるための課題と具体的な取り組み

ここまでで集中できない3つの原因を知ることができました。得られた3つの原因を踏まえた課題は以下の通りです。

一つずつまとめていきます。

プライベートな問題を解決する(最優先)

プライベートに仕事以上の問題を抱えている場合は、最優先で解決するように務めましょう。

そのためには職場の理解は必須です。

上司や仲間に相談しましょう。

おまてぃん

私生活に問題を抱えている限り集中力を高めるのは難しいです。
まずは、私生活の問題解決を図ろう！

作業する環境に余計なものを設置しない

仕事をする際、余計な「モノ」、「情報」、「音」が視界に入らないように環境を整えましょう。

余計な「モノ」対策

特に気をつけるのは「スマホ」です。

集中したい場合は、デスクの引き出しなど視界に入らない範囲にしまいましょう。

その他「漫画」や「ゲーム」といった嗜好品も極力視界に入らない範囲においておくほうが良いです。

そして意外と大事なのが「配線」です。

PC作業を伴うデスクは、どうしても配線がデスクの上に散らばりがちです。

配線類を収納できる箱や配線不要なBluetooth製品を積極的に導入するのが望ましいと思います。

特に導入すると良いのが、「モニターアーム」です。

以下の記事にて、「モニターアーム」を活用したデスクづくりについてまとめていますので、合わせて参照ください。

>> モニターアームを用いて配線を隠す方法を確認する

あわせて読みたい

【おしゃれ】デスクのモニタが宙に浮いてるように見せる2つのアイテムとテクニック タイトルの通り、仕事用のデスクをおしゃれに見せるテクニックの一つとして、モニターがあたかも宙に浮いているように見せるテクニックがあります。 アイキャッチ画像で…

Bluetoothのマウスについては以下の記事が参考になるかと思います。

>> 【2021年】最新マウスの比較記事を確認する

omathin blog

【最新】ITエンジニアが高級マウスを徹底比較(6製品)して購入した話 ITエンジニア自ら要件を決め、5つのマウスを比較評価して購入した話をまとめました。結論としては「MX AAnywhere」を購入しました。ポイントは軽さと必要最低限の機能が搭…

余計な「情報」対策

作業に取り組む上で不必要なドキュメントや文字列も目移りする対象となり、集中力を欠かす要因になります。

例えば、モニターのメーカロゴ。

こういったモニターのメーカーロゴも余計な文字列情報になります。

細かいですが、こういった文字列情報も集中力を高める上では隠すべきです。(ASUSさん、すみません。。。)

隠し方は様々ですが、このようなケースでは「マスキングテープ」を使用すると良いでしょう。

こういった細かい事が意外と大事です。

モニターの話の流れになりますが、モニターは基本的には1枚が良いです。

デュアルディスプレイのほうが仕事効率が上がるという話もありますが、ディスプレイ1枚で完結する仕事であれば1枚だけにしましょう。

デュアルディスプレイにすると必然的に視界に入る情報量は多くなります。その分、余計な情報が視界に入る確率が高くなるため、集中力という観点では、シングルモニターが望ましいです。

モニターは、31.5インチの4Kモニターかウルトラワイドモニターであれば十分です。

31.5インチの4Kモニターについては、以下の記事が参考になると思います。

omathin blog

【31.5インチ】目に優しい大型4Kモニター(4社製品)をITエンジニアが徹底比較して購入した話 皆様、リモートワークお疲れさまです！ずっとディスプレイとにらめっこしているあなた！視力の低下、どんどん進んでますよ！視力を落としたら本当にQOL下がります。本記事…

余計な「音」対策

自分の意図しない騒音も集中力を下げる要因になります。

外の音をシャットアウトするためのヘッドフォンと歌詞の無い音楽で対策しましょう。

音楽は、「クラシック」または「Sound cloud」が提供する音楽が良いでしょう。

「Youtube」は作業用BGMを探す際に余計な動画が目移りするため、あまりオススメしません。

優先順位の決め方を知る

作業に集中する際は、他のタスクを気にせずに打ち込める状態でなければいけません。

そのために大事なのは、「仕事の優先順位のつけ方」です。

あくまで一般論ですが、優先順位は「緊急度」と「重要度」の2軸で振り分けましょう。

優先順位のつけ方

優先度のつけ方で論争になるのが「緊急ではないが重要な仕事」と「緊急だが重要ではない仕事」、どちらが優先なのかです。

基本的には「緊急ではないが重要な仕事」にリソースを割くのが基本です。例えば、長期的な計画づくり、戦略立案、人財育成といった仕事です。

そして「緊急だが重要ではない仕事」としては、（ものにもよりますが）事務処理系の仕事です。こういった類の業務は、なるべく外部の力に頼りましょう。

本考え方はあくまで一例ですが、ポイントは「自分はこの業務に全力を注ぐべきである」という状態にすることが大事です。

また企業づとめのサラリーマンの方であれば、自分の業務の優先順位を周りに理解してもらうことも大切です。チームで働く上で、自ら考える優先度と周りが考える優先度にズレが生じていたら本末転倒なので、気をつけましょう。

集中する時間と休憩する時間のメリハリをつける

集中する時間と休憩する時間のメリハリは「タイマー」を使うと良いでしょう。

具体的には、ポモドーロ法と呼ばれる「25分集中して5分休憩」を繰り返すのが良いでしょう。

タイマーでオススメなのが「mineetimer3」です。

mineetimer3がなぜおすすめなのかというと、「残時間が完全にビジュアル化」されているからです。

集中力を欠く要因である文字情報が一切ないのです。

これまでのタイマーは、数字や文字が刻印されており余計な情報が含まれていました。これは余計な文字情報であり集中力を低下させる要因となってしまいます。

それに対してmineetimer3は、余計な文字情報がなく、残り時間がどの程度なのかを完全にビジュアル化されてます。

このmineetimer3を用いて集中する時間と休憩する時間のメリハリをつけましょう。

mineetimer3の詳細な使い方や他のタイマーについて知りたい方は、以下の記事も参照ください。

>> 【厳選】勉強用おすすめタイマー比較【NG:デジタル・アナログ時計】

あわせて読みたい

【厳選】勉強用おすすめタイマー比較【NG:デジタル・アナログ時計】 受験や資格、普段の学習効率を高めてくれるタイマーが知りたいなぁ このような疑問に答えたいと思います。 まず、よく使われているデジタル時計、アナログ時計は、集中…

危機感を作り出す

危機感の演出についても先ほど紹介した「mineetimer3」が役立ちます。

mineetimer3で「時間的締切の危機感」を演出しましょう。

”絶対に時間内に終わらせなければならない”という気持ちでmineetimer3のメーターと戦いながら仕事に向き合いましょう。

【番外編】ミントの香りを導入する

愛知教育大学の研究によると、ミントの香りがする条件下のほうが、無香環境下よりも集中力課題にいい結果をもたらすことが明らかとなりました。

ミントの香りが、スッキリとした気持ちにさせ、脳を活性化させるのかもしれません。

まとめ：プログラミングやPC作業の集中力を最大化する6つの方法を紹介しました

改めて6つの方法をまとめます。

集中力を最大化する6つの取組み

本記事では触れませんでしたが、睡眠時間は最低でも7時間は確保しましょう。

人間は一晩だけでも徹夜するだけで、大幅に集中力が低下します。そして6時間以下の睡眠は徹夜と変わらないことがペンシルベニア大学の研究で明らかになっています。必ず7時間の睡眠を確保しましょうね。

Python初心者

Pythonの入門レベルの人向けにKaggleの解答解説とかないかなぁ

こんな悩みを持っている方向けにKaggleで扱っている問題の解答解説をまとめていきたいと思います。

なお本記事で対象としているのは、House Prices – Advanced Regression Techniques | Kaggleというもので、「住宅価格の予測」をする問題です。

データサイエンスをどのような考え方で進めていけばよいのかを、可能な限りわかりやすくまとめていきたいと思います。

なお本記事は、Kaggleへのアカウント登録が完了し、データの加工や出力を行うPythonのライブラリ（Pandas, Matplotlib等）を理解している前提でまとめていきたいと思います。

＼ 無料オンライン説明会受付中！ ／

【Python】Kaggleのnotebookでデータを取得する

Kaggleのnotebookを新規作成すると、以下のコードが既に用意されていると思うので、これを実行しましょう。

コードは、「shift + Enter」か「option + Enter」で実行できます。

# This Python 3 environment comes with many helpful analytics libraries installed
# It is defined by the kaggle/python Docker image: https://github.com/kaggle/docker-python
# For example, here's several helpful packages to load

import numpy as np # linear algebra
import pandas as pd # data processing, CSV file I/O (e.g. pd.read_csv)

# Input data files are available in the read-only "../input/" directory
# For example, running this (by clicking run or pressing Shift+Enter) will list all files under the input directory

import os
for dirname, _, filenames in os.walk('/kaggle/input'):
    for filename in filenames:
        print(os.path.join(dirname, filename))

# You can write up to 20GB to the current directory (/kaggle/working/) that gets preserved as output when you create a version using "Save & Run All" 
# You can also write temporary files to /kaggle/temp/, but they won't be saved outside of the current session

## 実行結果
# /kaggle/input/house-prices-advanced-regression-techniques/sample_submission.csv
# /kaggle/input/house-prices-advanced-regression-techniques/data_description.txt
# /kaggle/input/house-prices-advanced-regression-techniques/train.csv
# /kaggle/input/house-prices-advanced-regression-techniques/test.csv

実行結果を見ると、4つのファイルが存在することが確認できます。

まず/kaggle/input/house-prices-advanced-regression-techniques/train.csvというファイルは、「訓練データ」です。

そして/kaggle/input/house-prices-advanced-regression-techniques/test.csvというファイルが「テストデータ」です。

/kaggle/input/house-prices-advanced-regression-techniques/sample_submission.csvは、Kaggleに最終的な予測値を提出するファイルのサンプルです。

/kaggle/input/house-prices-advanced-regression-techniques/data_description.txtは、Kaggleで用意したデータの説明が記載されているファイルです。

なおKaggleで用意されているファイルは、House Prices – Advanced Regression Techniques | Kaggle からブラウザ上で確認できます。

コンペティションに参加する際は、用意されているデータから「データの数」、「データの型」、「最終的に提出するデータの様式」あたりを確認しておきましょう。

続いて必要とされるライブラリをimportしていきます。

import sklearn
import pandas
import numpy
import matplotlib
import sklearn

次にKaggleで用意されているデータを取得します。データの取得はpandasを用いて以下のコードを実行すればOKです。データの読み込みや出力する際のpandasの使い方は、【解説】データサイエンス100本ノック【問94〜100回答】 – omathin blogを参考にしていただけたらと思います。

# 訓練データの読み込み
train_df = pd.read_csv('/kaggle/input/house-prices-advanced-regression-techniques/train.csv')
# テストデータの読み込み
test_df = pd.read_csv('/kaggle/input/house-prices-advanced-regression-techniques/test.csv')

これで、訓練データとテストデータを読み込むことができました。

【Python】Kaggleで用意されているデータを確認する

住宅価格の予測を行うために使用するデータを確認していきます。

確認する観点は以下です。

データを確認する主な観点(5つ)

なぜデータを確認する必要があるのかというと、データを活用して物事を分類したり予測するためには、もととなるデータの品質が肝となるからです。データに欠損値が存在したり、機械では読み取れない文字列データが含まれていると、肝心のデータを活用して分析をすることができません。

まずは用意されているデータを理解し、データにどのような加工や補完が必要なのか計画を立てましょう。

それでは一つずつ確認していきます。

データの特徴量の確認

データの特徴量の確認は、主に「カラム名」「各カラムのデータの意味」を大まかに確認します。

Kaggleの場合、ポータル上でデータの特徴量と各カラムのデータの意味を確認することができます。

https://www.kaggle.com/c/house-prices-advanced-regression-techniques/data

上記のリンクを押し、「Data Explorer」という項目から、確認したいデータを選択することで、各データの内容を確認できます。以下の画像は、data_description.txtファイルを確認している様子です。

更に以下のコードを実行することで、カラム名を一括で出力することが可能です。

train_df.columns.values

# array(['Id', 'MSSubClass', 'MSZoning', 'LotFrontage', 'LotArea', 'Street',
#        'Alley', 'LotShape', 'LandContour', 'Utilities', 'LotConfig',
#        'LandSlope', 'Neighborhood', 'Condition1', 'Condition2',
#        'BldgType', 'HouseStyle', 'OverallQual', 'OverallCond',
#        'YearBuilt', 'YearRemodAdd', 'RoofStyle', 'RoofMatl',
#        'Exterior1st', 'Exterior2nd', 'MasVnrType', 'MasVnrArea',
#        'ExterQual', 'ExterCond', 'Foundation', 'BsmtQual', 'BsmtCond',
#        'BsmtExposure', 'BsmtFinType1', 'BsmtFinSF1', 'BsmtFinType2',
#        'BsmtFinSF2', 'BsmtUnfSF', 'TotalBsmtSF', 'Heating', 'HeatingQC',
#        'CentralAir', 'Electrical', '1stFlrSF', '2ndFlrSF', 'LowQualFinSF',
#        'GrLivArea', 'BsmtFullBath', 'BsmtHalfBath', 'FullBath',
#        'HalfBath', 'BedroomAbvGr', 'KitchenAbvGr', 'KitchenQual',
#        'TotRmsAbvGrd', 'Functional', 'Fireplaces', 'FireplaceQu',
#        'GarageType', 'GarageYrBlt', 'GarageFinish', 'GarageCars',
#        'GarageArea', 'GarageQual', 'GarageCond', 'PavedDrive',
#        'WoodDeckSF', 'OpenPorchSF', 'EnclosedPorch', '3SsnPorch',
#        'ScreenPorch', 'PoolArea', 'PoolQC', 'Fence', 'MiscFeature',
#        'MiscVal', 'MoSold', 'YrSold', 'SaleType', 'SaleCondition',
#        'SalePrice'], dtype=object)

このあたりは大まかな理解で問題ありません。データ全体の構造がどうなっていて、どのくらいのカラム数なのかを把握しておけば良いでしょう。

データの型を確認する

データの型は.info()メソッドを活用することで一括で確認できます。

train_df.info()

# <class 'pandas.core.frame.DataFrame'>
# RangeIndex: 1460 entries, 0 to 1459
# Data columns (total 81 columns):
#  #   Column         Non-Null Count  Dtype  
# ---  ------         --------------  -----  
#  0   Id             1460 non-null   int64  
#  1   MSSubClass     1460 non-null   int64  
#  2   MSZoning       1460 non-null   object 
#  3   LotFrontage    1201 non-null   float64
#  4   LotArea        1460 non-null   int64  
#  5   Street         1460 non-null   object 
#  6   Alley          91 non-null     object 
#  7   LotShape       1460 non-null   object 
#  8   LandContour    1460 non-null   object 
#  9   Utilities      1460 non-null   object 
#  10  LotConfig      1460 non-null   object 
#  11  LandSlope      1460 non-null   object 
#  12  Neighborhood   1460 non-null   object 
#  13  Condition1     1460 non-null   object 
#  14  Condition2     1460 non-null   object 
#  15  BldgType       1460 non-null   object 
#  16  HouseStyle     1460 non-null   object 
#  17  OverallQual    1460 non-null   int64  
#  18  OverallCond    1460 non-null   int64  
#  19  YearBuilt      1460 non-null   int64  
#  20  YearRemodAdd   1460 non-null   int64  
#  21  RoofStyle      1460 non-null   object 
#  22  RoofMatl       1460 non-null   object 
#  23  Exterior1st    1460 non-null   object 
#  24  Exterior2nd    1460 non-null   object 
#  25  MasVnrType     1452 non-null   object 
#  26  MasVnrArea     1452 non-null   float64
#  27  ExterQual      1460 non-null   object 
#  28  ExterCond      1460 non-null   object 
#  29  Foundation     1460 non-null   object 
#  30  BsmtQual       1423 non-null   object 
#  31  BsmtCond       1423 non-null   object 
#  32  BsmtExposure   1422 non-null   object 
#  33  BsmtFinType1   1423 non-null   object 
#  34  BsmtFinSF1     1460 non-null   int64  
#  35  BsmtFinType2   1422 non-null   object 
#  36  BsmtFinSF2     1460 non-null   int64  
#  37  BsmtUnfSF      1460 non-null   int64  
#  38  TotalBsmtSF    1460 non-null   int64  
#  39  Heating        1460 non-null   object 
#  40  HeatingQC      1460 non-null   object 
#  41  CentralAir     1460 non-null   object 
#  42  Electrical     1459 non-null   object 
#  43  1stFlrSF       1460 non-null   int64  
#  44  2ndFlrSF       1460 non-null   int64  
#  45  LowQualFinSF   1460 non-null   int64  
#  46  GrLivArea      1460 non-null   int64  
#  47  BsmtFullBath   1460 non-null   int64  
#  48  BsmtHalfBath   1460 non-null   int64  
#  49  FullBath       1460 non-null   int64  
#  50  HalfBath       1460 non-null   int64  
#  51  BedroomAbvGr   1460 non-null   int64  
#  52  KitchenAbvGr   1460 non-null   int64  
#  53  KitchenQual    1460 non-null   object 
#  54  TotRmsAbvGrd   1460 non-null   int64  
#  55  Functional     1460 non-null   object 
#  56  Fireplaces     1460 non-null   int64  
#  57  FireplaceQu    770 non-null    object 
#  58  GarageType     1379 non-null   object 
#  59  GarageYrBlt    1379 non-null   float64
#  60  GarageFinish   1379 non-null   object 
#  61  GarageCars     1460 non-null   int64  
#  62  GarageArea     1460 non-null   int64  
#  63  GarageQual     1379 non-null   object 
#  64  GarageCond     1379 non-null   object 
#  65  PavedDrive     1460 non-null   object 
#  66  WoodDeckSF     1460 non-null   int64  
#  67  OpenPorchSF    1460 non-null   int64  
#  68  EnclosedPorch  1460 non-null   int64  
#  69  3SsnPorch      1460 non-null   int64  
#  70  ScreenPorch    1460 non-null   int64  
#  71  PoolArea       1460 non-null   int64  
#  72  PoolQC         7 non-null      object 
#  73  Fence          281 non-null    object 
#  74  MiscFeature    54 non-null     object 
#  75  MiscVal        1460 non-null   int64  
#  76  MoSold         1460 non-null   int64  
#  77  YrSold         1460 non-null   int64  
#  78  SaleType       1460 non-null   object 
#  79  SaleCondition  1460 non-null   object 
#  80  SalePrice      1460 non-null   int64  
# dtypes: float64(3), int64(35), object(43)
# memory usage: 924.0+ KB

同様にtest_df.info()も確認しておきましょう。

出力結果のDtypeという列を確認しましょう。int64そしてfloat64となっているカラムは、数値データです。

そしてobjectとなっているデータが、主に文字列のデータになります。

objectデータに関しては、コンピュータが読み取れるように数値データに変換する処理（エンコーディング）をする必要があるということだけここでは認識しておきましょう。

データサイエンスに慣れてくるとこの段階でそれぞれのobjectデータに対してどのような処理を行うのかの目星が着けられます。この記事を読み終えれば、どういうことなのかが分かると思うので頑張りましょう。

データの欠損値を確認する

各特徴量には欠損値が含まれている可能性があります。

ここでは欠損値を確認していきます。

欠損値を算出するにはisnullメソッドとsumメソッドを使用します。

pd.set_option('display.max_rows', 500)
train_df.isnull().sum()

Id                  0
# MSSubClass          0
# MSZoning            0
# LotFrontage       259
# LotArea             0
# Street              0
# Alley            1369

# ///省略///

# PoolQC           1453
# Fence            1179
# MiscFeature      1406
# MiscVal             0
# MoSold              0
# YrSold              0
# SaleType            0
# SaleCondition       0
# SalePrice           0
# dtype: int64

出力された数値が、欠損値の数になります。

このことから、各データの意味や性質を踏まえて欠損値を補完する処理がどの程度必要なのかを把握することができます。

同様にtest_dfについても欠損値の有無を確認しておきましょう。

データの重複を確認する

データが重複しているかも確認していきます。

重複を確認するには、describeメソッドを利用します。

train_df.describe(include=['O'])

# 	MSZoning	Street	Alley	LotShape	LandContour	Utilities	LotConfig	LandSlope	Neighborhood	Condition1	...	GarageType	GarageFinish	GarageQual	GarageCond	PavedDrive	PoolQC	Fence	MiscFeature	SaleType	SaleCondition
# count	1460	1460	91	1460	1460	1460	1460	1460	1460	1460	...	1379	1379	1379	1379	1460	7	281	54	1460	1460
# unique	5	2	2	4	4	2	5	3	25	9	...	6	3	5	5	3	3	4	4	9	6
# top	RL	Pave	Grvl	Reg	Lvl	AllPub	Inside	Gtl	NAmes	Norm	...	Attchd	Unf	TA	TA	Y	Gd	MnPrv	Shed	WD	Normal
# freq	1151	1454	50	925	1311	1459	1052	1382	225	1260	...	870	605	1311	1326	1340	3	157	49	1267	1198

countはデータの個数（件数）です

uniqueは、重複を排除したデータの個数です。

topは、最も多く含まれる値です。

freqは最も多く含まれる値(top)が含まれる個数です。

ここからは特に読み取れる情報はなさそうです。

データの相関を確認する

数ある特徴量の中から相関を見つけ出すための手段として、seabornを用いて確認する方法があります。

視覚的に特徴量同士の相関を把握したい場合は、ペアプロット図（散布図行列）を出力するか、ヒートマップを出力するやり方があります。

ここではヒートマップを実施します。

import seaborn as sns
sns.heatmap(train_df.corr(), square=True)

今回の場合、正の相関がある場合は白く表示され、無相関だと黒く表示されます。

相関とはなにかについては、別記事で改めてまとめようと思います。

今回の場合、最終的に予測をするSalesPriceとの相関を細かく見ていきたいので、corrメソッドを用いて数値的に相関を確認していきます。

またSalesPriceとの相関の強さ（相関係数）を降順にソートさせたいと思います。

corr = train_df.corr()
corr.sort_values('SalePrice', ascending=False)

# 	Id	MSSubClass	LotFrontage	LotArea	OverallQual	OverallCond	YearBuilt	YearRemodAdd	MasVnrArea	BsmtFinSF1	...	WoodDeckSF	OpenPorchSF	EnclosedPorch	3SsnPorch	ScreenPorch	PoolArea	MiscVal	MoSold	YrSold	SalePrice
# SalePrice	-0.021917	-0.084284	0.351799	0.263843	0.790982	-0.077856	0.522897	0.507101	0.477493	0.386420	...	0.324413	0.315856	-0.128578	0.044584	0.111447	0.092404	-0.021190	0.046432	-0.028923	1.000000
# OverallQual	-0.028365	0.032628	0.251646	0.105806	1.000000	-0.091932	0.572323	0.550684	0.411876	0.239666	...	0.238923	0.308819	-0.113937	0.030371	0.064886	0.065166	-0.031406	0.070815	-0.027347	0.790982
# GrLivArea	0.008273	0.074853	0.402797	0.263116	0.593007	-0.079686	0.199010	0.287389	0.390857	0.208171	...	0.247433	0.330224	0.009113	0.020643	0.101510	0.170205	-0.002416	0.050240	-0.036526	0.708624
# GarageCars	0.016570	-0.040110	0.285691	0.154871	0.600671	-0.185758	0.537850	0.420622	0.364204	0.224054	...	0.226342	0.213569	-0.151434	0.035765	0.050494	0.020934	-0.043080	0.040522	-0.039117	0.640409
# GarageArea	0.017634	-0.098672	0.344997	0.180403	0.562022	-0.151521	0.478954	0.371600	0.373066	0.296970	...	0.224666	0.241435	-0.121777	0.035087	0.051412	0.061047	-0.027400	0.027974	-0.027378	0.623431
# TotalBsmtSF	-0.015415	-0.238518	0.392075	0.260833	0.537808	-0.171098	0.391452	0.291066	0.363936	0.522396	...	0.232019	0.247264	-0.095478	0.037384	0.084489	0.126053	-0.018479	0.013196	-0.014969	0.613581
# 1stFlrSF	0.010496	-0.251758	0.457181	0.299475	0.476224	-0.144203	0.281986	0.240379	0.344501	0.445863	...	0.235459	0.211671	-0.065292	0.056104	0.088758	0.131525	-0.021096	0.031372	-0.013604	0.605852
# FullBath	0.005587	0.131608	0.198769	0.126031	0.550600	-0.194149	0.468271	0.439046	0.276833	0.058543	...	0.187703	0.259977	-0.115093	0.035353	-0.008106	0.049604	-0.014290	0.055872	-0.019669	0.560664
# TotRmsAbvGrd	0.027239	0.040380	0.352096	0.190015	0.427452	-0.057583	0.095589	0.191740	0.280682	0.044316	...	0.165984	0.234192	0.004151	-0.006683	0.059383	0.083757	0.024763	0.036907	-0.034516	0.533723
# YearBuilt	-0.012713	0.027850	0.123349	0.014228	0.572323	-0.375983	1.000000	0.592855	0.315707	0.249503	...	0.224880	0.188686	-0.387268	0.031355	-0.050364	0.004950	-0.034383	0.012398	-0.013618	0.522897
# YearRemodAdd	-0.021998	0.040581	0.088866	0.013788	0.550684	0.073741	0.592855	1.000000	0.179618	0.128451	...	0.205726	0.226298	-0.193919	0.045286	-0.038740	0.005829	-0.010286	0.021490	0.035743	0.507101
# GarageYrBlt	0.000072	0.085072	0.070250	-0.024947	0.547766	-0.324297	0.825667	0.642277	0.252691	0.153484	...	0.224577	0.228425	-0.297003	0.023544	-0.075418	-0.014501	-0.032417	0.005337	-0.001014	0.486362
# MasVnrArea	-0.050298	0.022936	0.193458	0.104160	0.411876	-0.128101	0.315707	0.179618	1.000000	0.264736	...	0.159718	0.125703	-0.110204	0.018796	0.061466	0.011723	-0.029815	-0.005965	-0.008201	0.477493
# Fireplaces	-0.019772	-0.045569	0.266639	0.271364	0.396765	-0.023820	0.147716	0.112581	0.249070	0.260011	...	0.200019	0.169405	-0.024822	0.011257	0.184530	0.095074	0.001409	0.046357	-0.024096	0.466929
# BsmtFinSF1	-0.005024	-0.069836	0.233633	0.214103	0.239666	-0.046231	0.249503	0.128451	0.264736	1.000000	...	0.204306	0.111761	-0.102303	0.026451	0.062021	0.140491	0.003571	-0.015727	0.014359	0.386420
# LotFrontage	-0.010601	-0.386347	1.000000	0.426095	0.251646	-0.059213	0.123349	0.088866	0.193458	0.233633	...	0.088521	0.151972	0.010700	0.070029	0.041383	0.206167	0.003368	0.011200	0.007450	0.351799
# WoodDeckSF	-0.029643	-0.012579	0.088521	0.171698	0.238923	-0.003334	0.224880	0.205726	0.159718	0.204306	...	1.000000	0.058661	-0.125989	-0.032771	-0.074181	0.073378	-0.009551	0.021011	0.022270	0.324413
# 2ndFlrSF	0.005590	0.307886	0.080177	0.050986	0.295493	0.028942	0.010308	0.140024	0.174561	-0.137079	...	0.092165	0.208026	0.061989	-0.024358	0.040606	0.081487	0.016197	0.035164	-0.028700	0.319334
# OpenPorchSF	-0.000477	-0.006100	0.151972	0.084774	0.308819	-0.032589	0.188686	0.226298	0.125703	0.111761	...	0.058661	1.000000	-0.093079	-0.005842	0.074304	0.060762	-0.018584	0.071255	-0.057619	0.315856
# HalfBath	0.006784	0.177354	0.053532	0.014259	0.273458	-0.060769	0.242656	0.183331	0.201444	0.004262	...	0.108080	0.199740	-0.095317	-0.004972	0.072426	0.022381	0.001290	-0.009050	-0.010269	0.284108
# LotArea	-0.033226	-0.139781	0.426095	1.000000	0.105806	-0.005636	0.014228	0.013788	0.104160	0.214103	...	0.171698	0.084774	-0.018340	0.020423	0.043160	0.077672	0.038068	0.001205	-0.014261	0.263843
# BsmtFullBath	0.002289	0.003491	0.100949	0.158155	0.111098	-0.054942	0.187599	0.119470	0.085310	0.649212	...	0.175315	0.067341	-0.049911	-0.000106	0.023148	0.067616	-0.023047	-0.025361	0.067049	0.227122
# BsmtUnfSF	-0.007940	-0.140759	0.132644	-0.002618	0.308159	-0.136841	0.149040	0.181133	0.114442	-0.495251	...	-0.005316	0.129005	-0.002538	0.020764	-0.012579	-0.035092	-0.023837	0.034888	-0.041258	0.214479
# BedroomAbvGr	0.037719	-0.023438	0.263170	0.119690	0.101676	0.012980	-0.070651	-0.040581	0.102821	-0.107355	...	0.046854	0.093810	0.041570	-0.024478	0.044300	0.070703	0.007767	0.046544	-0.036014	0.168213
# ScreenPorch	0.001330	-0.026030	0.041383	0.043160	0.064886	0.054811	-0.050364	-0.038740	0.061466	0.062021	...	-0.074181	0.074304	-0.082864	-0.031436	1.000000	0.051307	0.031946	0.023217	0.010694	0.111447
# PoolArea	0.057044	0.008283	0.206167	0.077672	0.065166	-0.001985	0.004950	0.005829	0.011723	0.140491	...	0.073378	0.060762	0.054203	-0.007992	0.051307	1.000000	0.029669	-0.033737	-0.059689	0.092404
# MoSold	0.021172	-0.013585	0.011200	0.001205	0.070815	-0.003511	0.012398	0.021490	-0.005965	-0.015727	...	0.021011	0.071255	-0.028887	0.029474	0.023217	-0.033737	-0.006495	1.000000	-0.145721	0.046432
# 3SsnPorch	-0.046635	-0.043825	0.070029	0.020423	0.030371	0.025504	0.031355	0.045286	0.018796	0.026451	...	-0.032771	-0.005842	-0.037305	1.000000	-0.031436	-0.007992	0.000354	0.029474	0.018645	0.044584
# BsmtFinSF2	-0.005968	-0.065649	0.049900	0.111170	-0.059119	0.040229	-0.049107	-0.067759	-0.072319	-0.050117	...	0.067898	0.003093	0.036543	-0.029993	0.088871	0.041709	0.004940	-0.015211	0.031706	-0.011378
# BsmtHalfBath	-0.020155	-0.002333	-0.007234	0.048046	-0.040150	0.117821	-0.038162	-0.012337	0.026673	0.067418	...	0.040161	-0.025324	-0.008555	0.035114	0.032121	0.020025	-0.007367	0.032873	-0.046524	-0.016844
# MiscVal	-0.006242	-0.007683	0.003368	0.038068	-0.031406	0.068777	-0.034383	-0.010286	-0.029815	0.003571	...	-0.009551	-0.018584	0.018361	0.000354	0.031946	0.029669	1.000000	-0.006495	0.004906	-0.021190
# Id	1.000000	0.011156	-0.010601	-0.033226	-0.028365	0.012609	-0.012713	-0.021998	-0.050298	-0.005024	...	-0.029643	-0.000477	0.002889	-0.046635	0.001330	0.057044	-0.006242	0.021172	0.000712	-0.021917
# LowQualFinSF	-0.044230	0.046474	0.038469	0.004779	-0.030429	0.025494	-0.183784	-0.062419	-0.069071	-0.064503	...	-0.025444	0.018251	0.061081	-0.004296	0.026799	0.062157	-0.003793	-0.022174	-0.028921	-0.025606
# YrSold	0.000712	-0.021407	0.007450	-0.014261	-0.027347	0.043950	-0.013618	0.035743	-0.008201	0.014359	...	0.022270	-0.057619	-0.009916	0.018645	0.010694	-0.059689	0.004906	-0.145721	1.000000	-0.028923
# OverallCond	0.012609	-0.059316	-0.059213	-0.005636	-0.091932	1.000000	-0.375983	0.073741	-0.128101	-0.046231	...	-0.003334	-0.032589	0.070356	0.025504	0.054811	-0.001985	0.068777	-0.003511	0.043950	-0.077856
# MSSubClass	0.011156	1.000000	-0.386347	-0.139781	0.032628	-0.059316	0.027850	0.040581	0.022936	-0.069836	...	-0.012579	-0.006100	-0.012037	-0.043825	-0.026030	0.008283	-0.007683	-0.013585	-0.021407	-0.084284
# EnclosedPorch	0.002889	-0.012037	0.010700	-0.018340	-0.113937	0.070356	-0.387268	-0.193919	-0.110204	-0.102303	...	-0.125989	-0.093079	1.000000	-0.037305	-0.082864	0.054203	0.018361	-0.028887	-0.009916	-0.128578
# KitchenAbvGr	0.002951	0.281721	-0.006069	-0.017784	-0.183882	-0.087001	-0.174800	-0.149598	-0.037610	-0.081007	...	-0.090130	-0.070091	0.037312	-0.024600	-0.051613	-0.014525	0.062341	0.026589	0.031687	-0.135907

得られた結果から、’OverallQual’, ‘GrLivArea’, ‘GarageCars’, ‘GarageArea’, ‘TotalBsmtSF’あたりが相関がありそうです。

‘OverallQual’, ‘GrLivArea’, ‘GarageCars’, ‘GarageArea’, ‘TotalBsmtSF’　と ‘SalesPrice’との相関を散布図を用いて視覚的に確認します。

pals = ['OverallQual', 'GrLivArea', 'GarageCars', 'GarageArea', 'TotalBsmtSF']
for pal in pals:
    train_df.plot.scatter(x=pal, y='SalePrice')

このことから、GrLivArea, GarageArea, TotalBsmtSFとSalesPriceの間に正の相関があることが見て取れます。

【Python】欠損値の補完

欠損値を補完するまえに、train_dfとtest_dfを連結させてcombined_dfという新しいデータフレーム(表形式のデータ)を作成します。なぜ連結させてcombined_dfを作成するのかというと、train_dfとtest_df両方に欠損値が存在し、それぞれに対して欠損値の補完を行う手間を省くためです。

以下の通りconcatを用いることで2つのデータフレームを連結させることができます。

combined_df = pd.concat((train_df, test_df))
combined_df.head(5)

#	MSZoning	LotFrontage	LotArea	Street	Alley	LotShape	LandContour	Utilities	...	PoolArea	PoolQC	Fence	MiscFeature	MiscVal	MoSold	YrSold	SaleType	SaleCondition	SalePrice
# 0	1	60	RL	65.0	8450	Pave	NaN	Reg	Lvl	AllPub	...	0	NaN	NaN	NaN	0	2	2008	WD	Normal	208500.0
# 1	2	20	RL	80.0	9600	Pave	NaN	Reg	Lvl	AllPub	...	0	NaN	NaN	NaN	0	5	2007	WD	Normal	181500.0
# 2	3	60	RL	68.0	11250	Pave	NaN	IR1	Lvl	AllPub	...	0	NaN	NaN	NaN	0	9	2008	WD	Normal	223500.0
# 3	4	70	RL	60.0	9550	Pave	NaN	IR1	Lvl	AllPub	...	0	NaN	NaN	NaN	0	2	2006	WD	Abnorml	140000.0
# 4	5	60	RL	84.0	14260	Pave	NaN	IR1	Lvl	AllPub	...	0	NaN	NaN	NaN	0	12	2008	WD	Normal	250000.0

ここから欠損値の補完を進めていきます。

欠損値の補完は、各データの説明が記載されているdata_description.txtの内容から補完方針を決めた上で進めていきます。

欠損自体に意味を持っているobjectデータは”None”で補完する

「欠損自体に意味を持っている」というのはどういうことかを説明します。

例えば本コンペティションのデータの中にPoolQCという特徴量があります。

data_description.txtに記載されているPoolQCの欄には以下のように記述されています。

PoolQC: Pool quality    NaN
411 NaN NaN
412 Ex  Excellent
413 Gd  Good
414 TA  Average/Typical
415 Fa  Fair
416 NA  No Pool

NAとなっているのがPoolQCにおける欠損値になります。この記述を見てみると、NA No Poolと記述されています。つまり、PoolQCにおける欠損値は、「”プールが存在しない”という意味を持っている」ということになります。

このように、データが欠損していることに意味を持っている場合は、"None"で補完を行う処理をしていきます。

欠損値を”None”で補完する処理はfillna()を使用します。

combined_df["PoolQC"] = combined_df["PoolQC"].fillna("None")

なお、”MiscFeature”, “Alley”, “Fence”, “FireplaceQu”も同様にデータの欠損自体に意味を持っているため、"None"で補完します。

combined_df["MiscFeature"] = combined_df["MiscFeature"].fillna("None")
combined_df["Alley"] = combined_df["Alley"].fillna("None")
combined_df["Fence"] = combined_df["Fence"].fillna("None")
combined_df["FireplaceQu"] = combined_df["FireplaceQu"].fillna("None")

上記のように一つ一つfillna()で処理しても良いですが、以下のようにfor文を用いて処理すると良いでしょう。GarageType, GarageFinish, GarageQual, GarageCond, も欠損値は「ガレージが無い」という意味を持っているので"None"で補完します。

for col in ('GarageType', 'GarageFinish', 'GarageQual', 'GarageCond'):
    combined_df[col] = combined_df[col].fillna('None')

同様に地下室関連のデータである‘BsmtQual’, ‘BsmtCond’, ‘BsmtExposure’, ‘BsmtFinType1’, ‘BsmtFinType2’においても欠損自体は「地下室が存在しない」という意味になるので、文字列の"None"で補完します。

for col in ('BsmtQual', 'BsmtCond', 'BsmtExposure', 'BsmtFinType1', 'BsmtFinType2'):
    combined_df[col] = combined_df[col].fillna('None')

MasVnrTypeは、外壁レンガの種類に関するデータです。MasVnrTypeの欠損も「レンガを使っていない」という意味なので、"None"で補完します。

combined_df["MasVnrType"] = combined_df["MasVnrType"].fillna("None")

欠損自体に意味を持っている数値（int, float型）データは0で補完する

まず地下室関連のデータのBsmtFinSF1, BsmtFinSF2, BsmtUnfSF, TotalBsmtSF, BsmtFullBath, BsmtHalfBath,はいずれも数値データとなっています。

NAとなっている箇所は地下室がないことを意味しているため、数値の0で補完します。こちらもまとめてfor文を用いて補完します。

for col in ('BsmtFinSF1', 'BsmtFinSF2', 'BsmtUnfSF','TotalBsmtSF', 'BsmtFullBath', 'BsmtHalfBath'):
    combined_df[col] = combined_df[col].fillna(0)

MasVnrAreaのNaは、「レンガを使っていない(面積は0)」という意味なので、0で補完します。

combined_df["MasVnrArea"] = combined_df["MasVnrArea"].fillna(0)

“GarageYrBlt”のNaは、「ガレージが無ければ建築年数が未記入」と考えられるので0で置き換えたいと思います。

combined_df["GarageYrBlt"] = combined_df["GarageYrBlt"].fillna(0)

‘GarageArea’, ‘GarageCars’といったガレージに関するデータにおいても「ガレージがなければいずれも未記入」と考えられるので、0で補完したいと思います

for col in ('GarageArea', 'GarageCars'):
    combined_df[col] = combined_df[col].fillna(0)

欠損自体に意味を持たないobjectデータは最頻値で補完する

MSZoningという土地の種類を表すデータの欠損値を補完します。住宅において土地が存在しないということはありえません。つまり、MSZonigにおける欠損は意味を持たないことになります。

MSZoningのデータの種類と、それぞれどの程度データが割り当てられているのかを確認します。

combined_df['MSZoning'].value_counts()

# RL         2265
# RM          460
# FV          139
# RH           26
# C (all)      25
# Name: MSZoning, dtype: int64

MSZoningのように種類を扱うデータの欠損値を補完する場合、他の変数との関係性が無ければ最頻値で補完するのが一般的です。

最頻値での補完はfillnaメソッドとmodeメソッドで行います。

combined_df['MSZoning'] = combined_df['MSZoning'].fillna(combined_df['MSZoning'].mode()[0])

Functionalは、住宅の機能性ランクです。 どのような値が含まれているのかを確認してみます。

combined_df['Functional'].value_counts()

# Typ     2717
# Min2      70
# Min1      65
# Mod       35
# Maj1      19
# Maj2       9
# Sev        2
# Name: Functional, dtype: int64

データの殆どがTypとなっているので最頻値であるTypで補完します。先述のmodeメソッドで補完しても良いですが、以下のようにTypを直接指定してもOKです。

combined_df["Functional"] = combined_df["Functional"].fillna("Typ")

‘Electrical’, ‘KitchenQual’, ‘Exterior1st’, ‘Exterior2nd’, ‘SaleType’においても、同様の考え方で最頻値で補完します。

combined_df['Electrical'] = combined_df['Electrical'].fillna(combined_df['Electrical'].mode()[0])
combined_df['KitchenQual'] = combined_df['KitchenQual'].fillna(combined_df['KitchenQual'].mode()[0])
combined_df['Exterior1st'] = combined_df['Exterior1st'].fillna(combined_df['Exterior1st'].mode()[0])
combined_df['Exterior2nd'] = combined_df['Exterior2nd'].fillna(combined_df['Exterior2nd'].mode()[0])
combined_df['SaleType'] = combined_df['SaleType'].fillna(combined_df['SaleType'].mode()[0])

データとして意味をなさないものは削除する

Utilitiesというガス・電気の設備状況のデータを確認します。

combined_df['Utilities'].value_counts()

# AllPub    2916
# NoSeWa       1
# Name: Utilities, dtype: int64

出力を確認すると、ほぼ全てがAllPubであることがわかります。

ほぼ全てAllPubということは、Utilitiesという特徴量は住宅価格に対して優劣をつけるような指標にならないため、列ごと削除してしまいます。

combined_df = combined_df.drop(['Utilities'], axis=1)

【Python】欠損値の有無を確認する

欠損値の補完が完了したら、最終チェックとして欠損値の有無を確認しましょう。

欠損値の有無の確認はisnullメソッドとsumメソッドを使って確認します。

combined_df.isnull().sum().sort_values(ascending=False)

# SalePrice        1459
# MSSubClass          0
# GarageYrBlt         0
# GarageType          0
# FireplaceQu         0
# Fireplaces          0
# Functional          0
# TotRmsAbvGrd        0
# KitchenQual         0
# KitchenAbvGr        0
# BedroomAbvGr        0
# HalfBath            0
# FullBath            0
# BsmtHalfBath        0
# BsmtFullBath        0
# GrLivArea           0
# LowQualFinSF        0
# 2ndFlrSF            0
# 1stFlrSF            0
# GarageFinish        0
# GarageCars          0
# GarageArea          0
# PoolQC              0
# SaleCondition       0
# SaleType            0
# YrSold              0
# MoSold              0
# MiscVal             0
# MiscFeature         0
# Fence               0
# PoolArea            0
# GarageQual          0
# ScreenPorch         0
# 3SsnPorch           0
# EnclosedPorch       0
# OpenPorchSF         0
# WoodDeckSF          0
# PavedDrive          0
# GarageCond          0
# Electrical          0
# Id                  0
# HeatingQC           0
# LandSlope           0
# OverallCond         0
# OverallQual         0
# HouseStyle          0
# BldgType            0
# Condition2          0
# Condition1          0
# Neighborhood        0
# LotConfig           0
# YearRemodAdd        0
# LandContour         0
# LotShape            0
# Alley               0
# Street              0
# LotArea             0
# LotFrontage         0
# MSZoning            0
# YearBuilt           0
# RoofStyle           0
# Heating             0
# BsmtCond            0
# TotalBsmtSF         0
# BsmtUnfSF           0
# BsmtFinSF2          0
# BsmtFinType2        0
# BsmtFinSF1          0
# BsmtFinType1        0
# BsmtExposure        0
# BsmtQual            0
# RoofMatl            0
# Foundation          0
# ExterCond           0
# ExterQual           0
# MasVnrArea          0
# MasVnrType          0
# Exterior2nd         0
# Exterior1st         0
# CentralAir          0
# dtype: int64

こちらのように全て0となっていることを確認しましょう。

【Python】特徴量の変換処理

欠損値の補完が完了したら、特徴量の変換処理を行います。

特徴量の変換処理を行う理由は、文字列であるカテゴリ変数は、機械学習のモデルで解釈できないためです。

そのため、文字列データを数値データに変換する必要があります。

変換方法はいくつか存在しますが、ここでは以下の2つの変換手法を使用します。

各々の特徴量の変換処理の詳細に関しては以下の記事を参照いただければと思います。

あわせて読みたい

データの特徴量の変換処理と代表的な2つの実装方法を解説 データサイエンスにおける特徴量の変換って何だろう？どんな考え方や手法で変換するのか知りたいなぁ。 こんな疑問に答えていきます。 【特徴量の変換とは】 特徴量の変…

結論だけ述べると、2つの変換処理の使い分けの考え方は以下のとおりです。

特徴量の変換処理の使い分けの考え方

カテゴリ変数に「大小、良し悪し、高い低い」と言った尺度がある→label encoding
上記以外→one-hot encoding

label encodingを行うカテゴリデータの抽出

今回用意されているデータから、「品質が良い悪い」といった尺度を表すカテゴリデータを抽出します。

「品質が良い悪い」といった尺度を表すカテゴリデータとは、具体的にどのようなものかというと、BsmtFinType1というデータが該当します。

BsmtFinType1データの説明を見てみましょう。

以下のようにGCL(良い品質)、LwQ（低品質）という風に、尺度を表すカテゴリデータであることがわかります。

BsmtFinType1: Rating of basement finished area

   GLQ  Good Living Quarters
   ALQ  Average Living Quarters
   BLQ  Below Average Living Quarters   
   Rec  Average Rec Room
   LwQ  Low Quality
   Unf  Unfinshed
   NA   No Basement

このように、データを1つ1つ確認しながら、label encodingの対象となるデータを抽出しましょう。

結果としては以下のカテゴリデータが、label encodingの対象になります。

('FireplaceQu', 'BsmtQual', 'BsmtCond', 'GarageQual', 'GarageCond', 
        'ExterQual', 'ExterCond','HeatingQC', 'PoolQC', 'KitchenQual', 'BsmtFinType1', 
        'BsmtFinType2', 'Functional', 'Fence', 'BsmtExposure', 'GarageFinish', 'LandSlope',
        'LotShape', 'PavedDrive', 'Street', 'Alley', 'CentralAir', 'MSSubClass', 'OverallCond', 
        'YrSold', 'MoSold')

label encoding処理

label encoding処理は、sklearn.preprocessingのLabelEncoderで行います。

from sklearn.preprocessing import LabelEncoder
cols = ('FireplaceQu', 'BsmtQual', 'BsmtCond', 'GarageQual', 'GarageCond', 
        'ExterQual', 'ExterCond','HeatingQC', 'PoolQC', 'KitchenQual', 'BsmtFinType1', 
        'BsmtFinType2', 'Functional', 'Fence', 'BsmtExposure', 'GarageFinish', 'LandSlope',
        'LotShape', 'PavedDrive', 'Street', 'Alley', 'CentralAir', 'MSSubClass', 'OverallCond', 
        'YrSold', 'MoSold')

for c in cols:
    lbl = LabelEncoder() 
    lbl.fit(list(combined_df[c].values)) 
    combined_df[c] = lbl.transform(list(combined_df[c].values))

label encodingが完了しているか以下のコードを実行して確認します。

combined_df[['FireplaceQu', 'BsmtQual', 'BsmtCond', 'GarageQual', 'GarageCond', 
        'ExterQual', 'ExterCond','HeatingQC', 'PoolQC', 'KitchenQual', 'BsmtFinType1', 
        'BsmtFinType2', 'Functional', 'Fence', 'BsmtExposure', 'GarageFinish', 'LandSlope',
        'LotShape', 'PavedDrive', 'Street', 'Alley', 'CentralAir', 'MSSubClass', 'OverallCond', 
        'YrSold', 'MoSold']].head(10)

# 	FireplaceQu	BsmtQual	BsmtCond	GarageQual	GarageCond	ExterQual	ExterCond	HeatingQC	PoolQC	KitchenQual	...	LandSlope	LotShape	PavedDrive	Street	Alley	CentralAir	MSSubClass	OverallCond	YrSold	MoSold
# 0	3	2	4	5	5	2	4	0	3	2	...	0	3	2	1	1	1	5	4	2	1
# 1	5	2	4	5	5	3	4	0	3	3	...	0	3	2	1	1	1	0	7	1	4
# 2	5	2	4	5	5	2	4	0	3	2	...	0	0	2	1	1	1	5	4	2	8
# 3	2	4	1	5	5	3	4	2	3	2	...	0	0	2	1	1	1	6	4	0	1
# 4	5	2	4	5	5	2	4	0	3	2	...	0	0	2	1	1	1	5	4	2	11
# 5	3	2	4	5	5	3	4	0	3	3	...	0	0	2	1	1	1	4	4	3	9
# 6	2	0	4	5	5	2	4	0	3	2	...	0	3	2	1	1	1	0	4	1	7
# 7	5	2	4	5	5	3	4	0	3	3	...	0	0	2	1	1	1	5	5	3	10
# 8	5	4	4	1	5	3	4	2	3	3	...	0	3	2	1	1	1	4	4	2	3
# 9	5	4	4	2	5	3	4	0	3	3	...	0	3	2	1	1	1	15	5	2	0

問題なくlabel encodingができていることが確認できました。

one-hot encodingを行うカテゴリデータの抽出

one-hot encodingを行うカテゴリーデータは、label encodingを行うデータ以外のデータとなります。

one-hotエンコーディングは、pandas.DataFrameを使用します。pandas.DataFrameによるone-hot encodingは、デフォルトでデータ型がobjectまたはcategoryとなっている列の全データをone-hot encoding処理する仕様となっています。一方、数値（int, float）やbool型の列は、デフォルトでone-hot encodingの変更対象外となります。

one-hot encodingの対象となるデータ以外のデータは、既にlabel encodingで数値またはbool型に変換済です。

そのため、one-hot encodingの対象としてcombined_dfをまるごと指定すれば良いことになります。

one-hot encoding処理

one-hot encoding処理を以下のコードで実行しましょう。

combined_df = pd.get_dummies(combined_df, drop_first=True)

なお、drop_first=Trueオプションを付与すると、生成される列が1つ減ります。

「列が1つ減っても良いのか？」と思われると思いますが、one-hot encodingでは問題ありません。

例えば[りんご、みかん、スイカ]というデータがあったとしましょう。このデータをone-hot encodingした場合、りんごは[1, 0, 0]、みかんは[0, 1, 0]、スイカは[0, 0, 1]と表現されます。

では、1列削除した時、どのようになるかというと、りんごは[1, 0], みかんは[0, 1], スイカは[0, 0]となり、1列削除しても3つのカテゴリデータを表現できるのです。

すなわち、one-hot encodingはn個のデータがあった場合、n-1個のone-hot encodingをすれば、n個のカテゴリデータを表現できるという特性があるのです。

【Python】トレーニング用のデータとテスト用のデータに分割する

機械学習に提供するために、combined_dfをトレーニング用のデータとテスト用のデータに分割したいと思います。

train_df = combined_df[:len(train_df)]
test_df = combined_df[len(train_df):].drop(columns=['SalePrice'])

# X_trainには、SalePriceを除いたtrain_dfを代入。
X_train = train_df.drop("SalePrice", axis=1)

# y_trainには、SalePriceのみが入ったtrain_dfを代入。
y_train = train_df["SalePrice"]

# X_testには、test_dfを代入。
X_test  = test_df

print(X_train.shape, y_train.shape, X_test.shape)
# (1460, 201) (1460,) (1459, 201)

X_trainは、トレーニングデータのデータセット（正解ラベル以外）を格納します。

y_trainは、トレーニングデータの正解ラベルのみを格納します。

X_testは、テストデータのデータセット（正解ラベル以外）を格納します。

これで分割が完了しました。

機械学習モデルの選定と適用評価の準備

機械学習のアルゴリズムは50個以上存在し、解決する問題が何かによって最適なアルゴリズムは様々です。

一般的にアルゴリズムを選択する際の考え方は、Choosing the right estimator — scikit-learn 0.24.2 documentationに記載されているフローチャートがあります。

今回の問題は「回帰（regression）」の領域になります。

フローチャートを確認すると、データは10万件より小さいかを問われています。

今回のデータは、10万件よりも少ないため、「YES」となります。

続いて、「重要度の高い特徴量が含まれているか？」が問われています。

特徴量の重要度を定量的に評価することはできますが、ここは一旦「NO」を選択し、まずはRidgeRegressionsやEnsembleRegressionsを活用する方針で考えていきましょう。

というのも特徴量の重要度評価は、厳密に評価するのは難しく、場合によってはそれほど重要ではない特徴量が過大評価されるケースがあるためです。

最終的にどの機械学習を採用すればよいかは、KaggleのDiscussionや先人たちのコードを参照するのが手っ取り早いです。

本記事では、多くのKagglerが使用している「LightGBM」というモデルを活用したいと思います。

機械学習モデルの評価を関数化

まずKaggle House PricesのEvaluationを確認すると、「提出物はRoot-Mean-Squared-Rrror(RMSE)」で評価されることがわかります。

RMSEとは二乗平均平方誤差と言われ、$y_i$を観測値、$\hat{y}_i$を予測値とすると、定義式は以下のようになります。

$$
\mathrm{RMSE}=\sqrt{\frac{1}{n} \sum_{k=1}^{n}\left(y_{i}-\hat{y}_{i}\right)}
$$

評価はモデルを用いて学習を行うたびに実施するので、関数化しておきます。

from sklearn.model_selection import KFold
from sklearn.metrics import mean_squared_error

def run_cv(model):
    cv = KFold(n_splits=3, random_state=42, shuffle=True)
    rmse_results = []
    models = []
    for trn_index, val_index in cv.split(X_train):
        X_trn, X_val = X_train.loc[trn_index], X_train.loc[val_index]
        y_trn, y_val = y_train[trn_index], y_train[val_index]
        # モデルの学習
        model.fit(X_trn, y_trn)
        pred = model.predict(X_val)
        # モデルの精度を算出
        rmse = np.sqrt(mean_squared_error(y_val, pred))
        print("RMSE:", rmse)
        rmse_results.append(rmse)
        models.append(model)

    print(rmse_results)
    print("Average:", np.mean(rmse_results))
    return models

こちらのコードは、scikit-learnのモデルのインスタンスを渡すと、k=3のKFoldと呼ばれるモデル評価手法で、平均精度を算出する関数です。

モデルを評価する方法はKFoldの他に様々な種類がありますが、本記事では割愛します。

LightGBMによる学習と予測

ここまででデータの準備、モデルの選定、モデルの評価方法の明確化が完了しました。

ここからは、モデルの選定パートで適用するモデルとして選定した「LightGBM」の実装を進めます。

「LightGBMとはなにか？」については長くなるので本記事では割愛しますが、簡単に言うと、”木構造を用いた勾配ブースティングのフレームワーク”です。

主な特徴は以下のとおりです。

詳しく知りたい方は、公式ドキュメントを参照いただければと思います。

LightGBMを実装していきます。なお、このような実装する上でのコード作成は、Kaggle上に多くのコードが公開されているので、基本的には使えそうなコードを見つけて拝借するのが効率的です。

import lightgbm as lgb

lgb_params = {
    "objective":"regression",
    "metric": "rmse"
}

cv = KFold(n_splits=3, random_state=42, shuffle=True)
rmse_results = []
lgbm_models = []
# テストデータに対する予測結果を格納するための空の配列
test_preds = np.zeros(len(X_test))

for trn_index, val_index in cv.split(X_train, y_train):
    X_trn, X_val = X_train.loc[trn_index], X_train.loc[val_index]
    y_trn, y_val = y_train[trn_index], y_train[val_index]
    
    train_lgb = lgb.Dataset(X_trn, y_trn)
    validation_lgb = lgb.Dataset(X_val, y_val)
    model = lgb.train(
        lgb_params, train_lgb, 
        num_boost_round=1000, valid_sets=[train_lgb, validation_lgb], 
        verbose_eval=10, 
        early_stopping_rounds=100
        )
    pred = model.predict(X_val)
    rmse = np.sqrt(mean_squared_error(y_val, pred))
    print("RMSE:", rmse)
    rmse_results.append(rmse)
    lgbm_models.append(model)

    test_preds += model.predict(X_test) / cv.n_splits

print(rmse_results)
print("Average:", np.mean(rmse_results))

簡単にコードの説明をします。

まず、KFoldで、用意したトレーニングデータを3分割(n_splits=3)し、そのうちの1つをテストデータ、残りの2つを学習データに分けています。

また、テストデータに対して過度に精度の高いモデルになることを防ぐために、検証用のバリデーションデータを用意しています。

num_boost_roundは、ブースティングの反復回数、valid_setsにはバリデーションデータをリストで指定します。このあたりは、公式ドキュメントに従ってパラメータを設定します。

verbose_evalは、学習過程の表示するサイクルです。ここではひとまず10を設定しています。

early_stopping_roundは、過学習を回避するための早期終了処理です。(参考: https://rin-effort.com/2019/12/29/machine-learning-6/)

実行結果としては以下の通りとなります。

[LightGBM] [Warning] Find whitespaces in feature_names, replace with underlines
[LightGBM] [Warning] Auto-choosing col-wise multi-threading, the overhead of testing was 0.001846 seconds.
You can set `force_col_wise=true` to remove the overhead.
[LightGBM] [Info] Total Bins 3223
[LightGBM] [Info] Number of data points in the train set: 973, number of used features: 123
[LightGBM] [Warning] Find whitespaces in feature_names, replace with underlines
[LightGBM] [Info] Start training from score 181111.430627
Training until validation scores don't improve for 100 rounds
[10]	training's rmse: 36931.2	valid_1's rmse: 46543.6
[20]	training's rmse: 24638.1	valid_1's rmse: 35594.5
[30]	training's rmse: 19880.1	valid_1's rmse: 32265.3
[40]	training's rmse: 16898.3	valid_1's rmse: 31407.6
[50]	training's rmse: 15189.4	valid_1's rmse: 31262.1
[60]	training's rmse: 13853	valid_1's rmse: 31224.8
[70]	training's rmse: 12768.9	valid_1's rmse: 31299.5
[80]	training's rmse: 11852.2	valid_1's rmse: 31300.7
[90]	training's rmse: 11057.3	valid_1's rmse: 31302.6
[100]	training's rmse: 10255.7	valid_1's rmse: 31375.9
[110]	training's rmse: 9636.43	valid_1's rmse: 31516.6
[120]	training's rmse: 9013.41	valid_1's rmse: 31623.3
[130]	training's rmse: 8496.04	valid_1's rmse: 31715.2
[140]	training's rmse: 7974.86	valid_1's rmse: 31752.5
[150]	training's rmse: 7560.89	valid_1's rmse: 31885.1
Early stopping, best iteration is:
[53]	training's rmse: 14763.5	valid_1's rmse: 31157.4
RMSE: 31157.372984878297
[LightGBM] [Warning] Find whitespaces in feature_names, replace with underlines
[LightGBM] [Warning] Auto-choosing col-wise multi-threading, the overhead of testing was 0.002099 seconds.
You can set `force_col_wise=true` to remove the overhead.
[LightGBM] [Info] Total Bins 3193
[LightGBM] [Info] Number of data points in the train set: 973, number of used features: 124
[LightGBM] [Warning] Find whitespaces in feature_names, replace with underlines
[LightGBM] [Info] Start training from score 180286.591984
Training until validation scores don't improve for 100 rounds
[10]	training's rmse: 38017.3	valid_1's rmse: 42152
[20]	training's rmse: 24307	valid_1's rmse: 34552.4
[30]	training's rmse: 19311.1	valid_1's rmse: 33530.4
[40]	training's rmse: 16951.4	valid_1's rmse: 33711.4
[50]	training's rmse: 15374.5	valid_1's rmse: 33820.4
[60]	training's rmse: 14127.3	valid_1's rmse: 34028.5
[70]	training's rmse: 13089.4	valid_1's rmse: 34385.8
[80]	training's rmse: 12134.2	valid_1's rmse: 34784.3
[90]	training's rmse: 11400.2	valid_1's rmse: 35066.3
[100]	training's rmse: 10628.2	valid_1's rmse: 35538.9
[110]	training's rmse: 9966.81	valid_1's rmse: 35736.9
[120]	training's rmse: 9371.28	valid_1's rmse: 36130.1
[130]	training's rmse: 8820.18	valid_1's rmse: 36333.6
Early stopping, best iteration is:
[34]	training's rmse: 18206.6	valid_1's rmse: 33458.3
RMSE: 33458.28014607101
[LightGBM] [Warning] Find whitespaces in feature_names, replace with underlines
[LightGBM] [Warning] Auto-choosing col-wise multi-threading, the overhead of testing was 0.002133 seconds.
You can set `force_col_wise=true` to remove the overhead.
[LightGBM] [Info] Total Bins 3213
[LightGBM] [Info] Number of data points in the train set: 974, number of used features: 123
[LightGBM] [Warning] Find whitespaces in feature_names, replace with underlines
[LightGBM] [Info] Start training from score 181365.108830
Training until validation scores don't improve for 100 rounds
[10]	training's rmse: 40492.3	valid_1's rmse: 38181.9
[20]	training's rmse: 27723.1	valid_1's rmse: 28352.2
[30]	training's rmse: 23182.4	valid_1's rmse: 25542.8
[40]	training's rmse: 20680.9	valid_1's rmse: 24459.4
[50]	training's rmse: 18741.8	valid_1's rmse: 24073.3
[60]	training's rmse: 17223.6	valid_1's rmse: 24106.5
[70]	training's rmse: 15939.1	valid_1's rmse: 24275
[80]	training's rmse: 14924.8	valid_1's rmse: 24375.9
[90]	training's rmse: 13974.2	valid_1's rmse: 24383.5
[100]	training's rmse: 12959.1	valid_1's rmse: 24450.3
[110]	training's rmse: 12185.3	valid_1's rmse: 24518.3
[120]	training's rmse: 11415.2	valid_1's rmse: 24633.4
[130]	training's rmse: 10733.9	valid_1's rmse: 24713.2
[140]	training's rmse: 10067.9	valid_1's rmse: 24867.3
[150]	training's rmse: 9508.78	valid_1's rmse: 24917.9
Early stopping, best iteration is:
[56]	training's rmse: 17852.2	valid_1's rmse: 24023.8
RMSE: 24023.785616027122
[31157.372984878297, 33458.28014607101, 24023.785616027122]
Average: 29546.47958232548

テストデータに対する予測結果をKaggleに提出

LightGBMを用いてテストデータに対する予測結果をKaggleに提出していきます。

# サンプル提出ファイルの予測値列の値を変更
submission = pd.read_csv('../input/house-prices-advanced-regression-techniques/sample_submission.csv')
submission['SalePrice']  = test_preds

# 提出ファイルを出力
submission.to_csv("submission.csv", index=False)

コードの実行が完了したら、画面右上の「Save Version」を押しましょう。

ポップアップが現れるので、そのまま「Save」をクリックしましょう。

「Save」を押すと、画面左下にコードの全実行処理が実行中の表示が現れます。

“Successful”という表記に変わったら成功です。

初めて提出する場合、画面右上の「Save version」の表記が「Save version | 1」という風になると思います。この「1」という数字の部分を押すと、「Version Histry」というのが現れます。そして提出するファイルを選択し、「Submmit to Competition」を押しましょう。

すると、ポップアップが表示されますので、「Submit」を押しましょう。

“Submit to Competition”という表示が現れます。「View My Submissions」を押しましょう。

すると、”Public Score”という箇所に、点数が表示されます。値が小さければ小さいほど良い予測ができていることになります。ここでは、”0.13700″となっています。

ランキングを見たい場合は、「Leaderboard」というタブを選択しましょう。下にスクロールすると、全体で何番目くらいなのかを確認できます。

まとめ：Kaggleに入門することができました

本記事では、データの確認、欠損値の補完、特徴量の変換処理、モデルの選定および実装と評価、そしてKaggleへの提出まで行いました。

ここで紹介した流れは、データサイエンティスト業務の軸となる手順なので、本記事を元に知見を深めていただければと思います。

なお、今回実施した住宅価格の予測精度は、まだまだ改善させることが可能です。

具体的には「特徴量を新たに追加」したり、「モデル自体の改善」を行えば、精度をあげることができます。

Kaggleには、モデルの改善方法の参考になるコードがオープンになっています。そちらを参照しながら試してみると良いでしょう。

もしデータサイエンティストに興味を持たれた方は、キカガクやAidemyといったAI・データサイエンスに特化したスクールで学ぶのが効率的です。

特に私が実際に受講したAidemyのデータ分析コースはおすすめです。なぜなら、Kaggleを扱った講座が含まれており、実践的だからです。

レビュー記事も書いているので、よかったら見ていってください。

>> Aidemy(アイデミー)の評判・口コミをAidemy受講者が解説！

あわせて読みたい

Aidemy(アイデミー)の評判・口コミをAidemy受講者が解説！ Aidemy(アイデミー)の評判ってどうなんだろう？結局、どんな人におすすめなのか、実際にAidemyを受講した人の意見が聞きたいなぁ。 こんな疑問に答えたいと思います。 …

「10万円とかプログラミングスクールにお金かけられない」という人は、Udemyも良いです。

Python初学者におすすめな講座も紹介しているので、こちらもよかったら見ていってくださいね。

>> 【Udemy】Python初心者向けおすすめ講座8選ぶ【決定版】

あわせて読みたい

【Udemy】Python初心者向けおすすめ講座8選【決定版】 これからUdemyでPythonを学ぼうと思うけど、どの講座を受講すればよいのかしら？ 「Udemy」に登録されている講座から、自分のレベルにあった講座を選ぶのは正直難しいと…

キカガクは、無料でオンライン相談会も開催しているので、気軽に参加してみましょう。

買い切り型のプログラミング教材については、【厳選】オンラインプログラミングスクールおすすめ6選！【買い切り型が最強です】にまとめているので、あわせてご確認ください。

あわせて読みたい

【受講期限無制限】オンラインプログラミングスクールおすすめ8選！ オンラインで受講できるプログラミングスクールってたくさんあるけど、結局どれが良いか分からない。 こんな悩みを解決します。 オンラインプログラミングスクールを選…

データサイエンスにおける特徴量の変換って何だろう？どんな考え方や手法で変換するのか知りたいなぁ。

こんな疑問に答えていきます。

特徴量の変換とは

特徴量の変換とは、文字列やカテゴリーデータを数値データに変換する処理です。

特徴量の変換処理を行う理由は、文字列やカテゴリーデータのままだと機械学習のモデルで扱うことができないケースが多いからです。

変換手法はいくつかありますが、本記事ではその中でも代表的な以下2つについて解説したいと思います。

それぞれ解説していきます。

特徴量の変換処理①：one-hot encoding

one-hot encodingとは、各カテゴリデータを0と1で表現したベクトルに変換する処理です。

例えば、[Windows, MacOS, Linux]という3つのカテゴリを持つ変数に対して、one-hot encodingを行うとします。

すると、Windowsは[1, 0, 0]、MacOSは[0, 1, 0]、Linuxは[0, 0, 1]というベクトルで表現されます。

one-hot encodingには注意点があります。one-hot encodingは、カテゴリデータが膨大になると特徴量の数が膨大になってしまう点です。

特徴量の数が膨大になれば、それだけ学習に要する時間も膨大になり扱いにくくなってしまいます。

one-hot encodingの実装方法

one-hot encodingは、pandasのget_dummies関数で実装することができます。

df = pd.DataFrame({"category":["A", "B", "C", "B", "B"],
                   "numerical":[0, 1, 2, 3, 4]})
pd.get_dummies(df, columns=["category"])

	numerical	category_A	category_B	category_C
0	0	1	0	0
1	1	0	1	0
2	2	0	0	1
3	3	0	1	0
4	4	0	1	0

get_dummies関数を用いることから、one-hot encodingを「ダミー変数化」と呼んだりします。

実際のデータサイエンスでどのように使うのかは、以下の記事にてデータサインス100本ノックの58問目を題材に解説しているので、合わせてご確認ください。

特徴量の変換処理②：label encoding

label encodingを用いて[Windows, MacOS, Linux]という3つのカテゴリを持つ変数を変換すると、Windowsは0、MacOSは1、Linuxは2となります。

one-hot encodingとは異なり、カテゴリ数が多くても特徴量の数が膨大にならない点がメリットになります。

しかし、label encodingにも注意点があります。

label encodingで変換されたカテゴリは、0, 1, 2, 3,….という風に、ベクトルという意味では「大きさ」を持ってしまいます。そのため、数値の大きさを機械学習のモデルが考慮してしまいます。

変換前の[Windows, MacOS, Linux]の3つには、大きさの尺度や重みというものはなく、全て同列のデータです。変換前のカテゴリの間に大きさの尺度や重みが無いのにも関わらず、0, 1, 2という風に数値の大きさをもたせてしまう点はモデル適用時に注意する必要があります。

ただし、「高品質、中品質、低品質」という風に、カテゴリの間に大きさや尺度が存在する場合は、label encodingが適していると言えます。

label encodingの実装方法

label encodingは、scikit-learnのLabelEncoderで実装可能です。

from sklearn.preprocessing import LabelEncoder
df = pd.DataFrame({"category":["A", "B", "C", "B", "B"],
                   "numerical":[0, 1, 2, 3, 4]})
lbe = LabelEncoder()
lbe.fit_transform(df["category"])

array([0, 1, 2, 1, 1])

まとめ：特徴量の変換の必要性と代表的な2つの手法を紹介しました。

繰り返しになりますがまとめます。

one-hot encodingは、カテゴリデータが膨大になると特徴量の数が膨大になってしまう点に注意しましょう。

label encodingは、特徴量の増大は防げるものの、カテゴリデータの間に尺度や大きさを持ってしまう点に注意が必要です。

実際のデータを用いてone-hot encodingとlabel encodingの活用方法を学びたい方は、以下のKaggleの記事を参照ください。住宅価格の予測を行う問題でone-hot encodingとlabel encodingを使用しています。

あわせて読みたい

【解説】Python入門者でも絶対に分かるKaggleの解答解説 Pythonの入門レベルの人向けにKaggleの解答解説とかないかなぁ こんな悩みを持っている方向けにKaggleで扱っている問題の解答解説をまとめていきたいと思います。 なお…

なお、データサイエンティストに関する専門知識はAidemyでの学習がおすすめです。

＼ 無料ビデオカウンセリング受付中 ／

プログラミングをこれから学ぶ人

プログラミング学習では「何でも良いから作りたいものを決める」と言われるけど、作りたいものなんて無いよ。。。

こんな悩みを解決に導く記事を書いていきたいと思います。

実はプログラミングを学ぶ上で”作りたいものを決める必要はありません”

なぜならプログラミングがよく分からない人間にとってみれば、「そもそもプログラミングでどんな事ができるの？」という状態だからです。

そんな状態の人に、「何でも良いから作りたいものを決めよう」というのは無理な話です。作りたいものを考える時間ももったいないと思います。

私は30歳からプログラミングを学習しましたが、プログラミングを始めた理由は「自由な働き方をしたい」とか「よくわからないけどスキルを獲得してキャリアの幅を広げたい」といった感じです。

今では完全リモートのエンジニアとして、様々な技術を活用した業務改善や検証などに取り組んでいます。

この記事では、筆者のプログラミング学習の体験談も交えつつ、作りたいものを決めずに効率よくプログラミングを学習する方法を教えたいと思います。

この記事を読めば、作りたいものを決めずに効率よくプログラミングを学習する方法を理解し、今すぐ学習をスタートできるはずです。

結論を先に述べてしまうと以下の4ステップです。

「作りたいものがない人のプログラミング学習方法（4ステップ）」

具体的な内容についてまとめていきたいと思います。

プログラミング学習は「作りたいものがなくてもOK」

繰り返しになりますが、本記事の結論は「プログラミングをこれから学ぶ上で作りたいものは決めなくて良いですよ」ということです。

もちろん高いモチベーションを維持したままプログラミングを学ぶという観点では、作りたいものを決めたほうが良いですが、無理やり作らなければいけないというわけではありません。

言いたいことは何かというと、作りたいものが無いのに無理やり作りたいものを探す時間がもったいないということです。

ではどうすればよいかというと、まずはスクールや教材が提供してくれているカリキュラムの中でサンプルアプリをさっさと作りましょう。

スクールで作成するアプリとしてメジャーなものでいうと、「掲示板アプリ」、「メモアプリ」、「おみくじアプリ」、「じゃんけんアプリ」といったものです。

特に作りたいものがなければ、まずはカリキュラムの中にサンプルアプリの作成が含まれたスクール・教材を使って、プログラミングを学びましょう。

そして作成したサンプルアプリをカスタマイズしてオリジナルアプリを作れば良いのです。

デザインを自分好みに変更したり、新たな機能を追加する仮定でプログラミングの知識を深めていけばOKです。

最後の仕上げは作ったアプリを公開して身近な人に使ってもらいましょう。

家族や友人といった人でOKです。

そして使ってみた感想や追加してほしい機能を聞いてアプリの改善を図りましょう。

このサイクルを繰り返し、まずは自分の身の回りの人から「便利だね」、「すごいね」と言ってもらえるようなアプリを仕上げていくのです。

この学習の流れ、実は最近の開発現場でも行われている流れだったりします。

こういったプロセスでアプリを作りながらプログラミングを学んできたエピソードは、対外的にも高い評価をもらえる可能性が高いです。

この学習方法の嬉しいポイント！

作成したオリジナルアプリは、エンジニアとして転職する際の大きなアピールポイントになります。
もし転職活動をする際は、オリジナルアプリの完成度だけでなく、ちゃんとユーザに使ってもらいながら改善を図ったプロセスをアピールするとGood。

プログラミングで作りたいものがなくても大丈夫なスクール/教材一覧

プログラミングをこれから学ぶ人

プログラミング未経験で作りたいものが無くても大丈夫なスクールや教材って具体的にどんなのがあるのかしら？

ここまで読んでくださった方は、このような疑問をいだいているかと思うので、いくつか代表的なスクールをピックアップしました。

SkillHacks：メモアプリ

SkillHacksは、動画でWebアプリケーション開発を学べる講座です。

94本の分かりやすい動画でRuby on Railsを用いて「メモアプリ」を作成しながらプログラミングを学べます。

無制限のLINE＠によるサポートにより確実にプログラミングスキルを身につけられます。

本講座の嬉しい点は、作成したアプリを公開するためのレクチャも含まれていることです。

また教材は買い切りのため、「何回でも繰り返し観ることが出来る」のも嬉しいポイントです。

SkillHacksの評判や学べる内容については、以下のレビュー記事についても合わせてご確認ください。

あわせて読みたい

【実録】SkillHacks(スキルハックス)の評判 | 受講者観点で徹底解説！ SkillHacks（スキルハックス）というプログラミングスクールの評判がしりたい。可能なら実際に受講した人の観点でおすすめなのかどうかも知りたいなぁ。 こんな疑問に答…

＼ LINE@による無制限サポート付き！ ／

RailsHack：メモアプリ

RailsHackは、動画でWebアプリケーション開発を学べる講座です。

Ruby on Railsを用いて「メモアプリ」を作成しながらプログラミングを学べます。

質問も無制限で視聴期限の制限もなく、完全に自宅で学習できる講座となっています。

2021年8月29日時点では、7日間の無料体験が可能となっています。

価格も29,800円と超格安です。

あわせて読みたい

RailsHack(レイルズハック)の評判・口コミとメリット・デメリットを解説 『RailsHack』というプログラミング教材って実際のところどうなんだろう？現役エンジニア目線でメリット・デメリットが知りたいなぁ。 こんな疑問に答えていきます。 『…

＼ 7日間の無料体験実施中！ ／

デイトラ：記事情報収集アプリ、ToDo管理アプリ、記事を投稿するSNSアプリ

デイトラのRailsコースは、動画でWebアプリケーション開発を学べる講座です。

デイトラのRailsコースの特徴は、「自走力」にフォーカスしたカリキュラムになっていることです。

具体的には、解決方法を単純に教えるのではなく、発生した問題を解決に導くための考え方にフォーカスしたレクチャーをしてくれます。

また、通常のプログラミングスクールで疎かになりがちなデバッグの方法やテストに関するレクチャーが含まれており、フリーランスとして活躍できる技術をまとめて身につけることができます。

それだけでなく、デイトラのRailsコースは、GitやUNIXコマンドといった周辺技術も学べます。

動画コンテンツも無期限で観ることができるので安心です。（メンターのサポートは1年）

2021年8月29日時点で早割価格が聞いており「89,800円」となっております。全部で3部構成となっており、2部まで完成しているようです。第3部が完成した段階で早割価格が終了してしまうので注意しましょう。

あわせて読みたい

【解説】デイトラRuby on Railsコースの評判は？割引情報含めて紹介！ 『デイトラ』のRuby on Railsの講座の評判が知りたい。あと、デイトラでエンジニアとして転職とか出来るのかな？？ こんな疑問に答えていきます。 実はデイトラの評判は…

＼ 業界最安級のオンラインスクール ／

SkillHacks、RailsHack、デイトラの比較！

ここまで紹介したRuby on Railsが学べる買い切り型オンラインスクールの比較表を作成しました。

スクール	HTML/CSS	Bootstrap	Ruby/Ruby on Rails	Git	SQL	アプリ公開	買い切りか否か	サポート	到達レベル	価格	リンク
SkillHacks	対象	対象	対象	対象外	対象外	対象	買い切り	無制限	初級レベル	69,800円（税込）	公式ページ
デイトラ	対象	対象	対象	対象	対象	対象	買い切り	1年間のメンターサポート	自立した プログラマー	99,800円	公式ページ
RailsHack	対象	対象	対象	対象外	対象外	対象外	買い切り	無制限	初級レベル	29,800 円 ※早割価格	公式ページ

エンジニアとして必要なスキルを網羅的に学日たい場合は、『デイトラ』が良いかと思います。

「とにかく低価格学びたい！」という方は、『RailsHack』が良いでしょう。

関連記事：デイトラの就職支援で就職・転職できる企業は？【実受講者の実体験をもとに解説】
関連記事：スキルハックスとデイトラを比較【結局どっちが良いか実受講者が解説】
関連記事：【実録】SkillHacks(スキルハックス)の評判 | 受講者観点で徹底解説！
関連記事：RailsHack(レイルズハック)の評判・口コミとメリット・デメリットを解説

プログラミングで「作りたいものがない」が「作りたい」に変えるコツ

結論としては、スクールで作成したアプリを身近な人に使ってもらい感想や追加すると良さそうな機能を聞きましょう。

なぜなら、誰かから求められることで作る目的や意義が生まれるからです。

追加したほうが良さそうな機能や意見がもらえなければ、世の中で広く使われているWebアプリに備わっている機能を参考にしながら追加する要素を洗い出しましょう。

例えば以下のような機能を追加してみるのはいかがでしょうか？

こういった機能を試行錯誤しながら追加し、あなただけのオリジナルアプリを作っていけば良いのです。

大抵の場合、Google検索をすれば実装方法が見つけられるので、試行錯誤しながら機能追加をしていきましょう。

このフェーズは少々大変かもしれませんが、実装できたときの達成感は言葉には表せないものです。

根気よく続けていきましょう。

まとめ：プログラミングで作りたいものがなければスクールや教材でとりあえず作る

繰り返しになりますが、プログラミングで作りたいものがなくても以下のステップでプログラミングを学べばOKです。

大事なポイントはStep3とStep4です。

作ったアプリを誰かに使ってもらい、欲しい機能（要件）を聞いて改善を図るというプロセスが特に重要です。

このプロセスこそまさにエンジニアの仕事なのです。

どんな小さなことでも良いので、何らかの問題を解決に導いた経験を作れれば、就職・転職の採用面接のアピールポイントにもなります。プログラミングで問題を解決に導いた経験を作り、エンジニアとしてのキャリアを歩み始めてほしいと願っております。

関連記事：デイトラの就職支援で就職・転職できる企業は？【実受講者の実体験をもとに解説】

Udemyって最近よく聞くけど、実際に受講している人が感じる「良いところ」と「悪いところ」が知りたいなぁ

こんな疑問に答えていきたいと思います。

実はUdemyはメリットだらけです。やらない理由は殆どないと思って良いと思います。

とはいっても少なからずデメリットはあります。

私はこれまでUdemyが提供しているコースを85コース受講してきました。

85コース受講してきたからこそ分かってきたメリット・デメリットがあります。

この記事では85コース受けた筆者がUdemyのメリットとデメリットについて教えたいと思います。

この記事を読むと、Udemyメリット・デメリットや講座を購入する際の確認ポイントを知ることができます。

なおUdemyは不定期にセールが開催され、通常価格が数万円するコースが最安値1,200円で購入することができます。セールの開催情報はUdemyに無料会員登録をしておけばメールで知ることが出来るので、まずはUdemyに無料会員だけしておきましょう。

＼ セール情報をGETしよう！ ／

＼ 対象コースが1,220円から購入できるセール開催中／

関連記事：プログラミングスクールランキング | 厳選6社を徹底比較
関連記事：【Udemy】Python初心者向けおすすめ講座8選【決定版】

Udemyのメリット・デメリットまとめ

先に結論だけまとめてしまいます。

それでは一つずつ簡単に説明します。

Udemyのメリット①：視聴期限無制限

言わずもがなですが、Udemyは購入したら一生動画を視聴できます。

このメリットは、ITエンジニアの方にはとても魅力的なのではと思います。

簡単にですがUdemyと各社プログラミングスクールの比較表を作成しました。

つまり、通常のプログラミングスクールでは受講期限が設けられているケースが多いのに対して、Udemyは視聴期限が無制限というメリットがかなり大きいわけです。

昨今のプログラミングスクールの中にも、買い切りかつ視聴無制限のコスパの良いスクールがあります。興味のある方は以下の記事を参照ください。

参考：【厳選】オンラインプログラミングスクールおすすめ6選！【買い切り型が最強です】

Udemyのメリット②：安い（セール時に数千円で購入可能）

本記事の冒頭で既に述べましたが、Udemyは通常価格数万円の講座が不定期に開催されるセール時には1,000円〜2,000円で販売されます。

セールの時期はある程度時期は決まっていますが、基本的には不定期です。

セール情報をいち早く入するする方法は2つあります。

Udemyのセール情報を入手する方法（2つ）

Udemyにメールアドレスと共に無料会員しておくと以下のとおりメールでセール情報が届きます。

登録自体は無料なので、ひとまず会員登録だけしておくと良いでしょう。

＼ セール情報をGETしよう！ ／

別の手段としては、UdemyのTwitterアカウント(@UdemyJapan)をフォローしてセール情報を入手する方法です。

UdemyのTwitterアカウントではセール情報だけでなく、Amazonギフトカードのプレゼントキャンペーンに関する情報も配信されます。

土曜の夜は #DEALHour で一緒に学びませんか？

1⃣@UdemyJapanをフォロー
2⃣毎週土曜日20～22時に #DEALHour を付けて、学習した内容、学習宣言、目標などを投稿

してくれた方の中から抽選で、毎月3名様にAmazonギフトコード3000円分を！#Udemy

詳細は↓↓↓https://t.co/6sLvnmFa1K

— Udemy Japan (@UdemyJapan) August 21, 2021

Udemyのメリット③：30日間返金保証

Udemyは安いだけでなく30日以内であれば全額返金してくれます。

「ちょっと思っていたのと違うな。」と思ったら、返金申請を行い全額返金してくれるということです。

詳しい返金ポリシーについては、Udemyの公式ページ（以下）をご確認ください。

返金ステータス: よくある質問 – Udemy

Udemyのメリット④：購入前に一部のレクチャを視聴することができる

Udemyが提供する各コースには、購入する前に一部のレクチャーを視聴できます。

購入する前に、講師の声質やレクチャーの進め方を確認することができるわけです。

講座のページに進み、「コースの内容」という部分に「プレビュー」となっている箇所があります。

「プレビュー」を押すと、レクチャー動画を見ることができます。

プレビュー動画で講師の声質、レクチャーの進め方を事前に確認し、「良さそうだな」とおもったら購入しましょう。

繰り返しになりますが30日以内であれば返金可能なので、とりあえず購入してみる位の感覚で良いと思います。

Udemyのメリット⑤：デバイスフリー

Udemyはインターネットが接続できるデバイスがあれば、いつでもどこでも視聴することができます。

例えば、電車の移動中にスマホで観る、といったことも可能です。

隙間時間を有効活用して、いつでもどこでもUdemyで効率よく学びましょう。

Udemyのメリット⑥：講師に質問ができる

Udemyのポータル上で講師の方に講義内容について質問できます。

各コースに「Q&A」という項目が設けられており、レクチャーの内容について質問を投稿すれば完了。

後日、講師からの回答やサポートを受けることができます。

他の生徒の質問を確認することも可能なので、他の方の質疑内容を確認することで解決することもあります。

無料購入できる講座は質問できません。質問出来るのは有料講座のみなので注意してください。

Udemyのメリット⑦：講座がUpdateされる（ものもある）

Udemyの講座は、受講者からのリクエストやレビューを踏まえて随時改善されます。

特にIT系の講座ですと、レクチャで使用しているツールの仕様が変わり、手順通りに進めても動かないというケースがあります。

そうならないように、講師側でUpdateされ、教材としての鮮度が保たれる仕組みになっています。

教材の更新は完全に講師の一存で行われるため、Udemyに登録されている教材全ての鮮度が保たれているわけではありません。

Udemyのメリット⑧：倍速で受講することが可能

動画の再生速度を倍速にすることができます。

当然ですが、速度を遅くすることもできます。

レクチャー動画画面の左下にある「1×」という箇所を押すと、動画スピードを変更です。

動画の速度は、「0.5倍〜2.0倍」に変更可能です。

説明が早く理解が追いつかないときはスピードを遅くし、理解している箇所は倍速にするといった調整ができます。

Udemyのメリット⑨：英語の講座はリアルタイムに英語字幕を出力してくれる

Udemyには日本語ではなく英語の講座も多く存在します。

英語のレクチャに関しては、動画の進行に合わせて英語字幕を出力させることができます。

残念ながらリアルタイムに英語を日本語に変更する機能はありませんが、画面右側の「トランスクリプション」に講義の説明文がありますので、その内容をGoogle翻訳にコピペするなどして対応することは可能です。

Udemyには星の数ほどの講座が存在しますが、海外の講座は受講者も多く動画の質も高い傾向があります。

英語学習も兼ねて、チャレンジしてみると良いと思います。

Udemyのデメリット①：講座が更新されない（ものもある）

Udemyに登録されている講座の多くは、受講者のレビューを踏まえてUpdateされますが、中には改善されない講座もあります。

Udemyの各講座には、更新日に関する情報が掲載されています。

「最終更新」の箇所に日付が記載されているのが分かると思います。

講座を購入する際のチェックポイントの一つとして、「最終更新」の日付が数年前の日付のままになっている講座は注意しましょう。

Udemyのデメリット②：講師の都合で新規購入がストップとなるケースがある

「次のセールのタイミングで買おうかな」と思っていた講座が急になくなっているというケースがあります。

実はUdemyの各講座は、講師の都合で新規購入が突如ストップとなる場合があります。

ただし、既に購入済の講座が新規購入ストップとなっても、動画自体は継続して見れるので安心してください。

まとめ：Udemyのメリット・デメリットや注意点を整理しました

繰り返しになりますが、改めてUdemyのメリット・デメリットをまとめます。

講座を購入する際の確認ポイントとしては、講座情報に記載されている「最終更新」の日付けです。

講師が提供している他の講座の状態も合わせて確認しておくと良いでしょう。

講師がなんらかの事情で講座のメンテナンスを取りやめてしまっている状態が考えられ、質問を投稿しても回答が返ってこないなんてことも考えられます。

そうならないように気をつけながらUdemyでの学習を進めていただきたいと思います。

なお、以下の記事で学びたいプログラミング言語1位のPythonが学べるおすすめUdemy講座をまとめました。合わせて、ご確認いただければと思います。

>> 【Udemy】Python初心者向けおすすめ講座8選【決定版】

＼ セール情報をGETしよう！ ／

以上です。

関連記事：【実録】キカガクのUdemyコースってぶっちゃけどうなのか？

Python初心者

これからUdemyでPythonを学ぼうと思うけど、どの講座を受講すればよいのかしら？

「Udemy」に登録されている講座から、自分のレベルにあった講座を選ぶのは正直難しいとおもいます。

なぜなら、2021年8月時点でUdemyに登録されているPythonの講座は、10,000講座あるからです。さらに各講座に記載されている対象者レベルも「初級」「中級」くらいの情報しかありません。これだけ数ある講座から、今の自分のレベルにあった講座を選ぶのは難しいと思います。

私は約3年ほどUdemyで学習を続けてきたエンジニア歴10年目のエンジニアです。これまで85つのUdemy講座を受講してきました。

本記事では、85つものUdemy講座を受講してきた筆者が、「この講座は間違いない！」「オススメ！」というPython講座を厳選してまとめました。

この記事を読めば、UdemyでこれからPythonを学ぼうとされている皆様にとって有益な講座を見つけられます。

「余計な話はいいから早く教えて！」という声が聞こえてきそうなので、先に結論をまとめます。

筆者が実際に受講した講座の中からオススメを8つ厳選！

Python初心者におすすめのUdemy講座：「Python基礎文法・アルゴリズム編」

Pythonの基本的な文法およびプログラミング力を向上させるアルゴリズム論に関するおすすめ講座をまとめます。

基本的にはどの講座から始めても良いですが、実際に受講した肌感覚で講座の難易度を設定したので参考にしてください。

現役シリコンバレーエンジニアが教えるPython 3 入門 + 応用 +アメリカのシリコンバレー流コードスタイル

こちらはシリコンバレーのエンジニアである酒井潤さんの講座です。

シリコンバレーはIT技術の最先端企業が集まる都市です。そんな、IT最先端の都市で現役エンジニアとして活躍されている方が、「美しいコードの書き方」含めてPythonの基礎をレクチャーしてくれる講座です。

まず講座のボリュームですが、圧巻の28時間36分(290レクチャ)！

レベルは初級レベル〜上級者レベルまで幅広く対応した講座です。

説明もわかりやすく、わからない箇所もUdemyのポータル上で質問すれば酒井さんのサポートの方が迅速に対応してくれます。

1点注意点を述べると、あまりにもボリュームが多すぎるので全部を消化するのは困難です。

用途としては「Python関連でわからない箇所があったときの辞書」みたいな使い方が良いかと思います。

＼ シリコンバレーエンジニアのレクチャー ／

【キカガク流】プログラミング力向上のためのPythonで学ぶアルゴリズム論（前編）

こちらは株式会社キカガクさんが提供するPythonプログラミング力向上のための講座です。

キカガクさんは、AI人財の教育事業を中心とする企業です。

UdemyではAI系の講座を中心とした講座を提供しています。

講座のボリュームは、3時間31分(17レクチャ)とコンパクト。プログラミング未経験の方が、脱初心者を目指した講座になります。

レベルは初級レベル〜中級レベル。

説明のわかりやすさはおそらくPython系の講座ではNo1です。

実際に受講した私の感想としては、”プログラミングをこれから学び始める方に絶対に受けてほしい講座”です。

理由は、単純にPythonのプログラミングをレクチャするのではなく、「コードを書くときの心構え」まで教えてくれます。

関連記事：【実録】キカガクのUdemyコースってぶっちゃけどうなのか？

＼ 脱初心者を目指そう！ ／

現役シリコンバレーエンジニアが教えるアルゴリズム・データ構造・コーディングテスト入門

こちらはシリコンバレーのエンジニアである酒井潤さんの講座です。最先端のIT企業に就職する際はコーディングテストというものが存在します。様々なアルゴリズムを簡潔で誰でも読みやすい形式でかけるかどうかが試される試験対策の講義になります。

講座のボリュームは、12時間47分(64レクチャ)をボリュームは大きいです。

実際に受講した感覚では、ある程度Pythonに慣れてきた人向けの講座だと思いました。

その意味ではプログラミング初心者には少し難しいとおもいましたので、中級者〜上級者レベルとしました。

しかし、「最終的にどのようなレベル・思考力でコードがかければよいのか」という到達点を確認する意味では最適ですので、本記事で取り上げました。

こちらの講座を受講する前提としては、先述した「現役シリコンバレーエンジニアが教えるPython 3 入門 + 応用 +アメリカのシリコンバレー流コードスタイル」とセットで受講しましょう。

本講座の中で分からない事があれば、「現役シリコンバレーエンジニアが教えるPython 3 入門 + 応用 +アメリカのシリコンバレー流コードスタイル」で確認しながら学習をすすましょう。一気にプログラミングスキルが向上すること間違いなしです。。

＼ 初心者から一気に中上級者へ ／

Python初心者におすすめのUdemy講座：「Webアプリ開発編」

PythonでWebアプリケーションを開発したい人向けにおすすめの講座を紹介します。

PythonにはWebアプリケーションを作成するためのフレームワークが存在します。主に「Flask」と「Django」に分かれます。

Djangoは主に大人数で一つの大きなシステムを作る際に活用され、FlaskはPoCや小中規模のシステムを構築する際に利用されます。

初心者のかたはFlaskから入ると学びやすいですが、転職市場的を見るとDjangoを用いた案件が多いです。

PythonでWebアプリを作る専門家を目指すという意味では、最初からDjangoを学んでおくと良いかもしれません。

以下おすすめの講座です。

• Webアプリ開発
  • 【徹底的に解説！】Djangoの基礎をマスターして、3つのアプリを作ろう！（Django2版 / 3版を同時公開中です）
  • Python+FlaskでのWebアプリケーション開発講座！！～0からFlaskをマスターしてSNSを作成する～

【徹底的に解説！】Djangoの基礎をマスターして、3つのアプリを作ろう！

こちらは大橋亮太先生の講座です。具体例をたくさん入れた解説が好評であり、「なぜ」の説明が丁寧です。初学者の方々に挫折してもらいたくないという気持ちが見て取れます。

Djangoのチュートリアルレベルを理解し、実務でも使えるレベルに到達したいならこの講座一択だと思います。

Python初心者でもついていけるように丁寧な解説が印象的でした。

講座のボリュームは、9.5時間(82レクチャ)とちょうど良く、初心者でも無理なく最後まで完遂できます。

質問に対する回答も非常に丁寧です。「初心者だけどPythonで何か作りたい」という方にとっては最適な講座だと思いました。

特徴としては、よくある失敗コードを紹介し、それに対する解決策まで紹介する点です。

そのため、自力でDjangoを使用したWebアプリを作る力がつけられます。

本講座で完成したWebアプリをカスタマイズして自分だけのアプリを開発してみましょう！

＼ 1,200円で、一流講師からDjangoを学ぼう ／

Python＋FlaskでのWebアプリケーション開発講座！！〜0からFlaskをマスターしてSNSを作成する〜

Pythonの基本的な文法からはじまりFlaskでSNSアプリを作成する講座です。

講座のボリュームは、圧巻の28時間23分！

序盤はPythonの基礎からはいり、中盤からFlaskの解説、そしてアプリ開発へと進みます。

HTML/CSS、そしてSQLは知識として知っていることが前提で講義が進むため、その周辺の知識はある程度必要です。しかしその都度Google検索で調べるか、講師に質問をすれば特に心配ないかと思います。

最終的に作られるSNSアプリは、カスタマイズ性に富んだ汎用性のあるアプリケーションです。

こちらも講座終了後にカスタマイズして、オリジナルアプリに進化させながらプログラミングスキルを向上できます。

＼ セール時は1,200円！Flaskをマスター ／

Python初心者におすすめのUdemy講座：「データサイエンス編」

データサイエンスとは、情報処理・人工知能・統計学などの知識を活用し、膨大なデータから予測される知見を見出す学問です。

例えば、膨大な販売データから「何の商品が何歳くらいの人に何時頃によく売れているのか」という傾向を把握するといった業務になります。

近年データの量が膨大かつ複雑になってきていることと、人工知能技術の成熟度が上がってきたことから、「データサイエンティスト」と呼ばれる職種が注目を浴びています。

そんなデータサイエンスを学べるおすすめUdemy講座は以下のとおりです。

• データサイエンス
  • 【世界で34万人が受講】データサイエンティストを目指すあなたへ〜データサイエンス25時間ブートキャンプ〜

【世界で34万人が受講】データサイエンティストを目指すあなたへ〜データサイエンス25時間ブートキャンプ〜

こちらは大橋亮太先生の講座です。数学や確率理論から実装に至るまで幅広い講義ですが、無駄がありません。

総講義時間も長いですが、よく構成が練られているため、全く長さを感じさせない作りになっています。

データサイエンスに必要な知識はこの動画1つでもう十分かと思います。

講座のボリュームは、26時間24分（439レクチャ）と超膨大。

データ分析に必要な要素がすべて盛り込まれています。

今後、データサイエンティストとして実業務を進める上でも、リファレンスとして何度も振り返る価値のある教材だと思います。

Pythonに引っ張られず、データサイエンスの全体像から説明されているので、非技術者の方にもおすすめです。

＼ データサイエンスはこれで大丈夫 ／

Python初心者におすすめのUdemy講座：「AI・機械学習・深層学習編」

AI・機械学習・深層学習では、文字認識や株価予測などを行う学習領域です。

この領域におけるおすすめのUdemy講座は下記のとおりです。

• AI・機械学習・深層学習
  • みんなのAI講座 ゼロからPythonで学ぶ人工知能と機械学習 【2021年最新版】
  • 【キカガク流】人工知能・機械学習 脱ブラックボックス講座 – 初級編 –

みんなのAI講座 ゼロからPythonで学ぶ人工知能と機械学習【2021年最新版】

こちらは我妻幸長先生の講座です。我妻先生は、UdemyだけでなくYoutubeでもAIに関する講義を発信しています。複数の有名企業でAI研修を担当されており、数多くの書籍も発行されているAIのプロフェッショナルな方です。

講座のボリュームは、13時間4分(136レクチャ)とこちらもボリューム満点です。

本講座の特徴は、Google ColaboratoryというChromeブラウザ上でPythonコードが使える環境を用いて講義が進みます。

そのため環境構築に困ることなく学習をすすめられます。

全くの初学者でも問題ないかと思いますが、ある程度Pythonを事前に学んでおくとスムーズだと思います。

＼ AIをすぐ学ぶならこの講座 ／

【キカガク流】人工知能・機械学習 脱ブラックボックス講座 – 初級編 –

こちらは株式会社キカガクさんが提供する人工知能・機械学習の講座です。

キカガクさんの講座は、完全な初心者の方には最適です。

機械学習の仕組み理解に必要な数学を紙に手書きで数式を書きながらすすめる講義は、驚くほどわかりやすいと思います。

ボリュームは4時間17分(25レクチャ)とコンパクトですが、初学者に対して丁寧かつ圧倒的なわかりやすさが好評です。

数学に自信が無い方も、この講座から始めると良いのかなと思います。

＼ 圧倒的な分かりやすさ ／

なお、キカガクさんは「AI人材育成長期コース」を自社で提供しております。

現在無料オンライン説明会を受け付けていますので興味のある方は参加してみましょう。

給付金を活用して格安で受講が可能です。

＼ 給付金で格安受講！ ／

関連記事：【実録】キカガクのUdemyコースってぶっちゃけどうなのか？
関連記事：キカガクの評判は？おすすめする人、メリット・デメリットも解説

まとめ：Python初心者におすすめのUdemy講座8つを紹介

本記事ではPython初心者におすすめのUdemy講座8つを紹介しました。

筆者が実際に受講した85つのUdemy講座の中で、初学者の方におすすめの講座を厳選したつもりです。

繰り返しになりますが厳選した8つのおすすめ講座をまとめます。

Python初心者にオススメのPython講座8つ

以上です

本記事では、プログラミング学習に必須とされる「プログラミングノート」についてまとめていきます。

プログラミング初学者の方にやりがちなのが、プログラミングの書き方を全て頭の中にインプットし、何も見ないでコードを書こうとする人がいます。

これ実はNGです。

何がNGなのかというと、プログラミングの書き方を全て覚えようとする行為が間違いです。

プログラミングというのはいわば「言語」になります。プログラミングの書き方を全て覚えるということは、言い換えるならば「日本語の国語辞典を全て覚える」のとほぼ同じです。

幼少期からプログラミングに触れてきた人は、普段我々が日本後で作文するようにコードを書けるのかもしれませんが、そんな人は稀です。

ではどうすればよいでしょうか？

答えは、「プログラミングノートを作る」です！

プログラミングノートを作る必要性はわかったけど、具体的にどのように作れば良いの？

そんな疑問に答えていきたいと思います。

結論としては「Boostnoteというメモアプリを使え！」です。

どういうことかを以降まとめていきます。

関連記事：プログラミングスクールランキング | 厳選6社を徹底比較

【NG】手書きのプログラミングノートは作るな

いきなりですが、プログラミングで手書きのノートを作るのはやめましょう！

参考ですが以下のYoutubeを御覧ください。寺田有希さんがプログラミング学習の様子に密着した動画です。

堀江さんが動画の4:30付近で「プログラミングは覚えるもんじゃない。」とおっしゃってますね。

大事なのはプログラミングの書き方ではなく、「プログラミングでどのようなことができるのか」というのを理解することです。

例えば、「1000個あるエクセルのデータの先頭に”パソコン”っていう文字列を追記する」という作業があった時に、「それならPythonでエクセルデータをJupyternotebookで読み取ってfor文で一括処理できそうだな」という発想を持てるようになるイメージです。

では細かいコードの書き方はどうするのかというと、これから紹介するプログラマ向けのメモツールにまとめておけば良いのです。

Google検索してコードの書き方を確認しても良いですが、プログラミングノートのほうがすぐに情報を引き出せます。

繰り返しになりますが、プログラミング学習において手書きのノートを作るのはやめましょう！

プログラミング学習で最適なメモツール：「Boostnote」

プログラミング学習をする上で使うべきメモツールは、Boostnoteというプログラマのために作られたメモアプリツールです。

なぜBoostnoteなのかのポイントを整理します。

Boostnoteがおすすめな理由

Boostnoteの特徴①：検索機能

忘れてしまった情報を瞬時に見つけ出してくれる「検索機能」が優秀です。

Boostnoteの左上の検索欄に書き方を知りたいコードや関連ワードを入力するだけで、関連するメモを瞬時に出力してくれます。

Boostnoteの特徴②：ドラックアンドドロップで簡単に画像を挿入

文章だけでなく図や画像も簡単に挿入することが可能です。

例えば以下の画像のようにデスクトップ上にある女性のイラスト画像があるとします。

右側にある画像をマウスを使ってドラックアンドドロップするだけで、Boostnoteに反映することができます。

これを活用することで例えば、動画教材で気になった箇所をスクリーンキャプチャしてBoostnoteに入れ込むことができます。

Boostnoteの特徴③：クラウドストレージと同期させ複数デバイスで編集/参照できる

またGoogle Driveといったクラウドストレージと同期させることで、別々のPCで一つのメモを同時に編集したり参照することが可能です。

設定方法は他のブログ記事で詳しく解説がされていますのでそちらを参照いただければと思います。

>> Boostnote内のデータをクラウド上に同期する方法

いつでもどこでもメモを参照することができれば、電車などの移動時間にプログラミングの勉強もできて効率的かと思います。

プログラミングノートアプリ「Boostnote」のダウンロード方法

Boostnoteのダウンロードは、実は最新版のものよりも、Githubからダウンロードできる旧版のもののほうがシンプルで使いやすいです。

私以外の方も同様の意見でした。

下記のリンクからダウンロードできます。

Releases · BoostIO/boost-releases · GitHub

Windowsの方は、BoostnoteSetup.exeというリンクからダウンロードすればOKです。

Macの人は、Boostnote-mac.dmgというリンクからダウンロードすれば導入できるでしょう。

まとめ: プログラミングノートは「Boostnote」がおすすめ

プログラミングノートとして本記事では「Boostnote」を紹介しました。

このBoostnoteに、プログラミングのコード、遭遇したエラーそしてブラウザ画面などをまとめておくことで、「あのプログラミングの書き方ってどうだったっけ？」という時にすぐに情報を見つけられます。

繰り返しになりますが、プログラミングのコードの書き方を全て覚える必要はありません。

大事なのは、「プログラミングで何ができるようになるのか」を抑えておくことです。

細かいコードの書き方は、Boostnoteにまとめたプログラミングノートに全て書き込んでしまえばOKなのです。

Boostnoteの導入方法や詳しい使い方については以下のQiitaの記事によくまとまっているので、こちらを参照してください。

【2020年版】Boost Noteの使い方 – Qiita

本記事ではBoostnoteを紹介しましたが、メモアプリはBoostnote以外にもあります。

ご自身が使いやすいツールを使えば良いと思いますが、大事なのは”思い出したい情報をすぐに取り出せる”ことが大事だとおもいます。

ぜひ、効率的にプログラミングを学んでいただければと思います。

プログラミングをこれから学ぶ人

隙間時間にプログラミングを独学で学びたいけど、どのようなステップで学ぶと効率的かしら？

このような悩みを解決する記事をまとめたいと思います。

実はプログラミング言語に関わらず、本記事で紹介する3ステップで十分現場で使える知識が身につきます。

私はこれから紹介する3ステップでプログラミングを学び、ハッカソンで入賞するアプリを作ることができました。

また私の友人も、本記事で紹介する3ステップでエンジニアへの転職を成功させました。

エンジニア歴10年目を迎える私は、現在も本記事で紹介する3ステップで新たなプログラミング言語を学んでいます。

この記事では、どんなプログラミング言語でも共通するプログラミングの学習方法3ステップを教えます。

この記事を読めば、お金も時間も無理無駄の無いプログラミング学習方法を把握でき、確実にプログラミングスキルを身につけられるはずです。

結論を先に述べると下記3ステップが最も効率的かつ最短です。

この3ステップが最もコスパが良い！

そして1つだけ先に言わせてください。

本でプログラミングを学ぶのはおすすめしません！

プログラミングは常日頃バージョンアップされます。そのため、「本に書かれているコードを実行してもエラーになった！」「エラーの解決方法が分からない！」という状態になり、高確率で挫折します。※私がそうでした。

そのため本や書籍でプログラミングを学習する場合は、プログラミングを教えてくれる先生が必要です。完全独学という意味では難しいと思うのでご注意ください。

それでは本題に入ります。

関連記事：プログラミングスクールランキング | 厳選6社を徹底比較

プログラミングを独学で学ぶ順番①: Progateでプログラミングに触れる

Progateとは、オンラインプログラミング学習サービスです。ブラウザ上にプログラミングのコードを入力し、アプリを作りながらプログラミングを学べます。

会員登録を行えばすぐにプログラミング学習を始めることができます。

Progateの良い点は、「すぐに始められること」です。

Progateには無料プランと有料プラン（税込¥1,078/月）があります。

無料プランだと、ほんの一部の単元しか学べないので、プラスプランに登録し１ヶ月集中して学習しましょう。

プログラミングをこれから学ぶ人

プログラミング言語もたくさんあるけど、何が良いだろう？

プログラミング言語は何でも良いですが、方向性としては以下です。特にこだわりがなければプログラミング初学者にとってとっかかりやすく、国内求人も比較的多い「Ruby」から学習を始めると良いと思います。

特にこだわりがなければRubyとRuby on Railsから学習を始めるのがおすすめ！

Progateでプログラミングを学ぶ上でのポイントですが、まずは「プログラミングは生理的に受け付けられない！」みたいな嫌悪感を持ってしまいそうかどうかを見極めましょう。

「プログラミング難しいけど嫌いではないな。」という感情があれば問題ないとおもいます。

また、Progateでのプログラミング学習に関わらないですが、「プログラミングノート」を作りましょう。とても大切です。

「プログラミングノート」については、以下の記事でまとめていますのでご確認ください。

あわせて読みたい

【手書きNG】プログラミングノートはBoostnoteがおすすめ 本記事では、プログラミング学習に必須とされる「プログラミングノート」についてまとめていきます。 プログラミング初学者の方にやりがちなのが、プログラミングの書き…

なお、プログラミングはパソコンで学習するのが基本です。

最初のうちはインターネットに接続できるPCがあればOKですが、基本はWindows10以上か最新のMacOSが搭載されたパソコンが望ましいです。

アプリ開発する上で必要なツール類を導入しやすい「Macbook」がおすすめです。

プログラミングを独学で学ぶ順番②: 買い切りの動画教材で学習

Progateで1ヶ月学習した後は、一流のプログラマが作成した動画教材で学習しましょう。

おすすめの動画教材は以下です。

プログラミング未経験でも挫折しない優良買い切り教材！

なんで買い切りの動画教材が良いの？

買い切り教材は、購入すれば永遠に教材を観ることが出来るからです。

多くのプログラミングスクールは、例えば「3ヶ月プラン」という風に期限が決められており、3ヶ月経過したら教材を確認することができません。

一方買い切り教材は、期間に縛られることがありません。

しかもプログラミング仕様が変更されても教材がアップデートされる（またはサポートを受けられる）ものがほとんどです。

つまり、一生使える教材が手に入るのです。

こちらで紹介した教材は、いずれも数万円の費用がかかります。

「そんなにお金だせない。。。」と思われるかもしれません。

しかし、「数万円で一生使えるスキルが手に入る」と考えれば、高額でしょうか？

エンジニアとして就職したり、今の仕事を改善させれば給料は上がりますし数万円の金額はすぐに取り戻せます。

買い切り型のプログラミング教材については、【厳選】オンラインプログラミングスクールおすすめ6選！【買い切り型が最強です】にまとめているので、あわせてご確認ください。

あわせて読みたい

【受講期限無制限】オンラインプログラミングスクールおすすめ8選！ オンラインで受講できるプログラミングスクールってたくさんあるけど、結局どれが良いか分からない。 こんな悩みを解決します。 オンラインプログラミングスクールを選…

あまりお金がない人向けにおすすめの買い切り動画教材

悩んでいる男性

そう言われても、いきなり数万円の教材を購入するのは気がひけるなぁ。。。

そんな方は少し難易度は上がりますが「Udemy」もおすすめです。

不定期に開催されるセールの時限定ですが、1500円前後で一流講師陣の教材を購入することができます。

不定期に開催されるセールは、Udemyに会員登録しておくとメールで知らせてくれますので、無料登録だけしておきましょう。

Udemyは私も活用しております。Udemyの講師の方にもポータル上で質問が出来る仕組みになってますが、講座によっては講師からの返答が返ってこない or 教材が最新化されていないなど、当たり外れはあるので注意しましょう。

＼ 無料会員登録をしてセール情報をGET！ ／

参考：【実録】Udemyを85講座受けて分かったメリット・デメリット

参考：【Udemy】Python初心者向けおすすめ講座8選【決定版】

プログラミングを独学で学ぶ順番③: 動画教材で作ったアプリを改造する

買い切り動画教材などで作成したサンプルアプリを改造して、オリジナルアプリを作りましょう。

実はこのフェーズがもっともプログラミング能力を伸ばすと言っても過言ではありません。

サンプルアプリを改造してオリジナルアプリを作ることで伸ばせる力は以下です。

プログラミングは基本的に「エラー」との戦いが半分以上だと思ってください。

そしてエラーに直面した時に必要になる能力が「Google検索でエラーの原因と解決方法を見つける”ググり力”」です。

この「ググり力」に関しては、実際にエラーに直面して解決する流れを幾重にも重ねながら身につけるしかありません。

なお、私は「SkillHacks」で作成したメモアプリにログイン機能を追加したり削除する際の確認画面を追加などを行い知識を深めました。

＼ 質問サポート無期限で教材見放題！ ／

まとめ: プログラミング独学順は「Progate→買い切り教材→アプリのカスタマイズ」

本記事では「【最短】プログラミングを独学で学ぶ順番【3ステップ】」というテーマでまとめました。

繰り返しになりますがプログラミング学習の3ステップをまとめます。

「こんな事が知りたい！」と言ったことがあれば遠慮なくコメントいただければと思います。以上です。