Entries

末木文美士『日本仏教史』


日本の仏教について思想史的側面から書かれた概説書。この分野で標準的に参照される一冊。多様な視点に目を配りつつも、とてもうまくまとまっている。誰もが読むべき良書。扱っているのは飛鳥時代の仏教伝来から江戸後期まで。協議や戒律の成立を中心に描かれている。美術的側面や民衆における受容、政治、また明治期以降の新仏教についての話題は少ない。

仏教史の研究トレンドを踏まえつつ、この分野の面白さを十二分に語っている。例えば日本初の仏教研究の大著とされる聖徳太子の『三経義疏』の真偽問題。中国の敦煌の砂漠で発見された文献などを踏まえつつ、いまだ決着が着いていない真偽問題のスリルを書いている(p.38-44)。

この本の主眼の一つは、やはり天台宗にあろう。具体的には最澄と、平安後期・鎌倉時代の本覚思想。空海よりは最澄に光が当たっている。最澄は天台宗を学んで唐から帰国した。しかし帰国後の日本で求められたのは、加持祈祷などの密教的な呪術の力だった。最澄は唐にて順暁などから密教の教えを受けるが、不完全。そこで、最澄は年下のライバルである空海に教えを乞うという、ねじれた関係が生まれる。最澄は空海に密教経典の写しを乞う。812年には高尾山神護寺で空海から両部の灌頂を受ける(p.92-94)。この帰国後の日本におけるニーズの食い違いは最澄にとって不幸なことであった(p.99)。

帰国後の最澄が晩年まで精力を傾けたのが、大乗戒という天台宗独自の戒律の成立と、法相宗の徳一との論争。後者の法相宗との論争は、三乗一乗論争、仏性論争と呼ばれる。この論争は『法華経』の解釈を巡って行われる。法相宗によれば、誰もが悟りを開いて仏になれるわけではない。悟りを開けないと決まっている(無種性)人もいる。しかし一切衆生を救済しようという利他の精神、大乗仏教の根本思想を最澄は堅持する。すなわち、最澄の一乗主義からは、誰もが悟りを開き、仏になることができる(悉有仏性)。最澄が死守した、誰もが仏になれるという主張は、鎌倉新仏教を準備するものとなる(p.100-103)。

最澄の一乗主義は本書でキーポイントとなる本覚思想へつながっていく。類書には鎌倉新仏教の各審査を強調するあまり、それに先立つ時代を軽視しがち。本書の本覚思想の強調はそれを補う意味がある。「本覚」とは先の「仏性」に代わって用いられた語。本覚思想では、一乗主義での誰もが仏になることができるという可能性の話が、既に誰もが仏であると現実性の話に置き換わる。つまり誰もが既に悟りを開いており、そのことに気付けばいいだけ。厳しい修行によって悟りを開く必要もないし、厳しい戒律を守る必要もない。本覚思想は天台宗から発し、また中国の浄土思想を取り込んで鎌倉新仏教を準備していく(p.150-163)。本覚思想は現世主義的、人間中心的で、あきらかに戒律の軽視につながる。にも関わらず、鎌倉新仏教を始め、神道、修験道、文学・芸能へ与えた影響は強い。「本覚思想は仏教思想として行くつくところまでいって自己崩壊し、新しい思想を生み出す媒介となった」(p.190)。口伝を中心とした思想であるため、まだあまり解明は進んでいない。

鎌倉新仏教の衝撃はいまとなっては明確だが、これは明治期に見出されたものだ。『歎異抄』が注目されのも明治期の清沢満之から、そしてかの大正期の倉田百三が大きな役割を果たしている。鎌倉新仏教は、明治期になって、近代的自我の確立の過程から見直され、発見されたものだ(p.193-199)。

江戸時代の仏教思想の展開は、他宗教など他勢力との関連で説かれる。江戸時代の仏教は本末制度と寺檀制度が整備され、政治体制に組み込まれる。またキリスト​​教、儒学、国学など他思想からの批判を浴びた。仏教ではそれに応え、教学の振興、戒律の復興を行っている。日蓮宗の不受不施、天台宗の安楽律、浄土真宗の三業惑乱などがそうした応答に当たる。しかし宗祖無謬説、つまり経典や宗祖の言葉をすべて真理とする傾向があり、自由な討論や批判研究は育たなかったとされる(p.257-261)。

江戸時代以降の仏教については天理教を除いて記述はほぼ無い。ここはまだ学問的に総括できる状況でないのだろう。代わりに、祭祀仏教、いわゆる葬式仏教についての民俗学的視点を組み込んだ議論、神道との神仏習合の展開、そして修験道についての記述がある。特に修験道はこうした本ではあまり見ないので参考になった。修験道のイメージは個人的には奈良・鎌倉時代だったのだが、本書によると修験道は室町から江戸にかけて教理思想面で整理され、江戸時代に最も民衆の生活に密接に浸透していった。修験道には入山すれば山伏も大日如来になるという考えがあり、ここにも本覚思想の影響を見ることができる(p.320-331)。本覚思想との関わりでは、神道も大きな影響を受けている。身近にある八百万の神がそのまま仏として認められる。

最後に、訓読という仕組みについての功罪が目に留まった。訓読を発明した日本では、中国の仏教経典を改めて翻訳しなくても受容できた。そのため、中国の最新の仏教を翻訳受容のラグなしに取り入れることができた。しかし、翻訳という試行錯誤を省いたことが、本当に仏教を自分のものにするチャンスを逃したのかもしれない(p.70f, 346-356)。この視点は面白い。

涌井良幸、涌井貞美『多変量解析がわかる』


この著者のものは分かりやすく、ためになる。多変量解析について書かれた一冊。話題は回帰分析、主成分分析、因子分析、SEM(共分散構造分析)、判別分析、質的データ解析(数量化1~4類)。分散・共分散という概念が多変量解析ではキーになるとして、それらを中心に書かれている(p.108)。適度に数式が出てくるが、解析的に解くというよりはexcelのソルバーを使って近似の数値解を求めていくことが主。

既に知っている話題が多かったが、判別分析が面白かった。グループ内の分散とグループ間の分散の相関比を取って、どれだけグループ分けがうまくいっているかを表す。クラスタリングのアルゴリズムとなる。

それぞれの分析手法がどんなものなのか直感的に知るにはよい本。

平岡和幸、堀玄『プログラミングのための線形代数』


線形代数について初歩から書かれたとても素晴らしい本。しっかりと学びたい人に適している。題名には「プログラミングのための」という文字が入っている。これは数値計算や近似についても扱われているから。プログラミング言語のコードが出てくるわけではない。コンピューターサイエンスへの応用を視野に入れた上での、線形代数の解説になっている。

根本的な発想として、行列は写像だとしている(p.25)。行列を単純な数の並びと見るのではなくて、与えられたベクトルを別のベクトルに変換する写像として見ることが本書が一番の特徴となっている。行列によってベクトルを徐々に変換していく様が見えるコードも用意されている。 これによって例えば行列式は、変換するベクトルをどれだけ拡大縮小するかの拡大率として捉えられるし、 特異行列はベクトルの次元を潰してしまうので逆行列が存在しないということが直感的に分かるようになっている。

このように単純に行列にまつわる性質の定義や計算方法を知っていることよりも、写像としての行列という観点からそうした性質が何を意味しているのかを理解することの方が大事だとしている(p.69, 134)。とはいえ、すべての行列の性質がこうしたやり方で説明できるわけではなく、例えば転置行列の意味についての説明は本書ではやや苦しいものになっている(p. 87)。

行列式をはじめとする行列の基本的な性質、ランクを用いた一次方程式の解法、固有値問題とジョルダン標準形といったところが本書の扱う話題。固有値問題以降は行列は写像であるという観点からではなく、べき乗していった時に値が発散するか、すなわち時間が経った時にシステムが「暴走」するかどうかという設定で扱われている。

また本書がユニークなのは、 行列式、逆行列、固有値などを求める効率的なアルゴリズムについて扱っている点だ。例えばLU分解、固有値を求めるための行列の対角化、Jacobi法、べき乗法、Hessenberg行列を使ったQR法など。Jordan標準形は行列が対角化できない場合のものとして導入される。すべてのn次正方行列がJordan標準形に変換できることの証明は難しかった。

本書で線形代数が何をしているのかについて、具体的なイメージを持つことができた。もっと高く評価されてよい一冊。

日経ビッグデータ編『グーグルに学ぶディープラーニング』


現状のディープラーニングについての極めて平易な解説で、最初に読む本としてはよいだろう。グーグルの人(主に賀沢秀人、佐藤憲一の両氏)による解説を基にしている。基本的な概念の説明の後は、グーグルにおけるディープラーニングの適用事例、日本の各社における事例、そしてブレインパッドの下田倫大氏によるディープラーニング活用フレームワークが書かれている。

まず人工知能、機械学習、ディープラーニングをきちんと分けて書いてあるのが好ましい。このレベルから混同する議論が多いので、広く普及してほしい。グーグルの事例紹介(p.74-121)は、研究段階のものと実用段階に至っているものが混ざっている。ここは分けた方がよかったのでは。実用段階のものでは、Google Home、データセンターの電力使用効率化、フォト、Rank Brain、Inbox、グーグルアシスタント、翻訳、そしてAPIが挙げられ、どれも簡潔に説明されている。また、ディープラーニングが向かないことについての言及があるのが重要。過学習を防ぐために大量のデータが必要とある。しかしそれは程度の差はあれ、ディープラーニングというより、機械学習全般の話に見える(p.121-123)。

日本の各社の事例では安藤ハザマ、オークネット、エアロセンス、Peach、三井住友カードの5社事例。これらの事例はTensorFlow User GroupやWeb記事ですでに知っているものが主だった。その中では、Speech Recognition APIを使った、Peachの運航情報自動案内の実証実験だけ聞いたことない事例(p.141-145)だった。

ブレインパッドによるディープラーニング活用フレームワーク(p.152-170)はまとまりがよく、参考になる。まず用いられるデータの種類を画像、テキスト、音声、センサーの4種類に分類。これらデータでディープラーニングを活用する目的を、コスト削減、付加価値を高めた新たなビジネス機会を創出、クリエイティブ性の向上の3つに設定している。これら目的は、順々に導入を検討すべきもの。また、ビジネス側の人間、データサイエンティスト、エンジニアの3つを橋渡しする人材の必要性(p..167-169)についてはとても納得した。

ときに、強化学習を教師なし学習に含めている(p.66-68)のが気にかかった。教師ラベルが与えられない点では教師なしだけれども、報酬は一種の教師とも見えなくない。Suttonが書いている通り、どちらかと言えば確かに教師なし学習に近いのだろうか。"Although one might be tempted to think of reinforcement learning as a kind of unsupervised learning because it does not rely on examples of correct behavior, reinforcement learning is trying to maximize a reward signal instead of trying to find hidden structure. [...] We therefore consider reinforcement learning to be a third machine learning paradigm, alongside supervised learning and unsupervised learning, and perhaps other paradigms as well." (Sutton & Barto, "Reinforcement Learning: An Introduction", 2nd ed., p.2f.)

フォスター・プロヴォスト、トム・フォセット『戦略的データサイエンス入門』


再読。データサイエンスをビジネスに活かす、という視点から書かれたデータサイエンスの入門書。各アルゴリズムの基本的な解説や、過学習と交差検定、ROC曲線などモデルの評価の仕方についての解説はもちろん載っている。この本はそうしたデータサイエンスの中身の解説もさることながら、一貫してビジネスに活かそうとするとどういう課題があるかを述べている。根本的には、データサイエンスはエンジニアリングというより調査研究であって、アプローチと戦略に基づいて反復的に行われるものだ、という視点がある(p.40, 366)。ソフトウェア開発と同様に扱ってはならず、またデータの収集そのものにも戦略的に投資せよ、とする。

データの収集については例えば、シグネット銀行の例が挙げられている(p.10-14)。バージニアの地方銀行であるシグネット銀行は、クレジットのデフォルト確率をモデリングするのに、実際に顧客に対して様々な契約条項を無作為に提供した。これにより一時的にもちろんディフォルトが増え、銀行の損失は増大した。しかしそれによりデータが収集され、結果としてこの銀行のクレジットカード業務は改善され、さらにはクレジットカード部門はキャピタル・ワン社としてスピンオフして発展した。

扱われている話題は一般的なものだろう。教師あり学習から分類木、線形判別器、サポートベクターマシン、ロジスティック回帰、教師なし学習から最近傍法、k平均法。若干の自然言語処理、そして共起分析とレコメンデーションなど。なかでも、分類木の話はよく書けている。著者たちは、ビジネス的には真っ先に理解しやすいものとして木アルゴリズムを重宝している。分類木を使った教師つきセグメンテーションの解説はエントロピー、情報利得から説き起こして、特によい解説(p.57-77)。

ビジネス的視点からは、期待値を用いた考え方が重要だろう。この見方は純粋にデータサイエンスを扱っているだけの本には出てこない。例えば顧客の乗り換え(離脱)分析(p.313)。離脱分析の目的は、顧客数を減らさないことではない。利益を減らさないことが目的だ。だから、顧客を維持することが利益でなく逆にコストになるなら、離脱を気にする必要はない。すなわちモデルによる予測そのものではなく、予測によるコストの変化を見なければならない。DMを送付するとき、一般的に反応確率は低い。しかしDMの発送コストは低いので、反応確率が1%でも意味がある。反応確率が何%以上とモデルで予測される人をDM送付対象とするの閾値は、コスト構造の情報を基に期待値で選択する(p.212-221)。 ちょうど似たような問題を扱っていたので、示唆が大きかった。

この観点では、Netflixチャレンジの話(p.338-342)はやや物足りない。著者たちは、Netflixチャレンジでは、映画の好みの潜在的次元を発見してレコメンデーションを行った例として好意的に取り上げている。だが、実際にはこのモデルはビジネスに活かされなかった。それは、潜在的次元を用いた複雑なモデルがビジネス的には理解不能であったから。むしろ本書の発送からすれば、逆の教訓として取り上げられるべき事例に見える。

この本は良書と言われるのだが、以前読んだ時にはいまいち印象がよくなかった。当時はデータサイエンスの知識がほとんど無かったためと思い、もう一度読んでみた。結果、あまりぱっとしない印象は変わらなかった。そんなものだろう。
すなわち、データサイエンスによって優位に立つにはそれらを生かす企業戦略が必要ということです。[...]データ資源やデータサイエンス技術は、競合他社が容易に手にしたり活用できるものであってはなりません。あなたの企業には、独自のデータ資源があるでしょうか。なければデータ資源は他社より企業戦略にマッチしているでしょうか。それとも他社よりも優れたデータサイエンス技術を持っており、データ資源を活用して優位に立てるでしょうか。
裏を返せば、それらがなければ不利だということです。先ほどの質問については、競合他社の方が有利かもしれません。競合に対して優位に立とうと努力を重ねたとしても、データ分析に長けた競争相手に結果をさらわれることにもなりかねません。(p.352)