第67回 徳川慶喜~江戸幕府 最後の将軍の軌跡と功績~ 2021年2月7日 放送 今回は徳川第十五代将軍・徳川慶喜をテーマに、ゆかりの地をめぐる。 最初に訪れるのは、江戸幕府の権威を象徴してきた二条城。徳川家康が築いたこの城は、慶喜が大政奉還を発表した場所でもあり、江戸幕府の始まりと終焉を見つめてきた。狩野探幽一門による約3600面もの障壁画がまばゆい光を放つ二の丸御殿は、国宝にも指定されている。京都での将軍の拠点でもあった二条城だが、慶喜は近くの屋敷から通ったという。慶喜が二条城で寝起きしなかった理由とは? さらに、慶喜と共に京都の治安維持に尽力した会津藩主・松平容保にも思いを馳せ、容保が本陣を構えた金戒光明寺にも足を延ばす。京都の街を見渡せる高台に位置する金戒光明寺は、長年幕府の出城としての役割を担ってきた。そこへ約1000名の兵を引き連れて上洛した容保だが、はじめは「京都守護職」の就任を断り続けていたという。なぜ容保は引き受けることにしたのか? 幕末に詳しい専門家の解説を交え、最後の将軍の軌跡と功績を紐解く。 取材先リスト 元離宮二条城 京都市中京区二条通堀川西入二条城町541 電話 075-841-0096 浄土宗大本山 くろ谷 金戒光明寺 京都市左京区黒谷町121 電話 075-771-2204 霊山歴史館 京都市東山区清閑寺霊山町1 電話 075-531-3773 虎屋菓寮 京都一条店 京都府京都市上京区一条通烏丸西入広橋殿町400 電話 075-441-3113
最後の将軍 徳川慶喜のあらすじ・作品解説 最後の将軍徳川慶喜は、数々の歴史小説を世に送り出した、司馬遼太郎の長編歴史時代小説である。この話のあらすじは、かつてその権勢を誇った徳川幕府の最後の将軍となった、江戸幕府第十五代将軍の徳川慶喜の生い立ちと、彼の生涯を描いた作品である。 この作品中では、徳川幕府始まって以来の類まれなる英明と讃えられながらも、戊辰戦争での逆賊としての汚名を受ける事を甘んぜず、薩長への恭順の道を選ぶ、慶喜公の数奇な人生が見どころである。また水戸藩主である徳川斉昭を父、天皇家有栖川宮家の吉子女王を母に持ち、水戸史観に影響されながらも、作中では慶喜公を行動と感情が分かれた、不可解な人物として描かれている。 この小説作品は、1966年6月と9月、そして12月の別冊文藝春秋の96号から98号まで連載され、翌年の1997年に初版の単行本が発行された。1997年には改訂版が発行され、重判している。 この時代小説は、1998年のNHK大河ドラマ徳川慶喜の原作となった作品である。 最後の将軍 徳川慶喜の評価 総合評価 3. 67 3. 67 (3件) 文章力 4. 83 4. 83 ストーリー 3. 83 3. 83 キャラクター 3. 83 設定 3. 83 演出 3. 【徳川慶喜】江戸幕府最後の将軍！実は将軍にはなりたくなかった？ | 歴史好きのためになるブログ. 67 評価分布をもっと見る 最後の将軍 徳川慶喜の感想 投稿する 徳川慶喜の人物像 江戸幕府15代将軍、ラストエンペラーである徳川慶喜の物語です。徳川慶喜と言えば鳥羽伏見の戦いで敵前逃亡した卑怯で臆病な将軍というイメージが強かったのですが、この作品を読むとそんなに単純な感情だけで行動していたわけではないのだなということを感じました。結果だけが語られる教科書とは違い、この瞬間の慶喜の気持や細かな感情の描写に興味をそそられました。実際、慶喜の能力を考えると最後の最後まで新政府軍に徹底抗戦できたような気もしますし、それをした場合の戦禍の拡大は想像を絶するようなものになっていたかもしれないと思うと、やれるのにやらずに耐えるというのもひょっとして悔しかったのではないかなと思うようになりました。また15代も続いた徳川幕府を自分の代で終わらせる勇気と苦労は幕府を樹立させるよりも相当大変なことなのだと感じました。新政府軍が勝利したことにより、幕末の英雄と呼ばれる人達はどうしても新政府... この感想を読む 3.
45 ID:iSSWx0wY0 有名人見た事無いわw 52: ガニメデ(神奈川県) [US] 2020/12/25(金) 21:49:57. 16 ID:nH+EwDdo0 東晋のカンオンだかカンゲンが職を落としたとき孔明にあったことがある老人を見つけた話思い出す 53: はくちょう座X-1(ジパング) [US] 2020/12/25(金) 21:50:14. 07 ID:iSSWx0wY0 あ、辛抱さんは見た事あるわ 54: アルビレオ(群馬県) [US] 2020/12/25(金) 21:50:23. 18 ID:5kUd471N0 俺は本物のミッキーマウス見た事あるぜ 55: かに星雲(三重県) [DZ] 2020/12/25(金) 21:50:25. 79 ID:5VaP7oTx0 徳川慶喜の自動車が突っ込んで大破させた御徒町の蕎麦屋で食事したことがある。 数年前に廃業しちゃったけど。 56: 黒体放射(SB-iPhone) [US] 2020/12/25(金) 21:54:46. 55 ID:86EXhIs20 動く池田大作を見た事が無い 57: 馬頭星雲(東京都) [US] 2020/12/25(金) 21:54:54. 最後の将軍 徳川慶喜のあらすじ/作品解説 | レビューン小説. 41 ID:kMj/jWnN0 行きたくなかったけど半強制的に甘利明の講演に行かされたんだけど 開口一番「忙しいけど来てやった」みたいなことを言ってくっそ偉そうだった 58: 3K宇宙背景放射(千葉県) [ニダ] 2020/12/25(金) 21:55:02. 20 ID:zyWDc7+x0 存命かどうか知らんが山本耕史のじいさんが板垣退助にお菓子をもらったことがあるって 59: ハレー彗星(東京都) [GB] 2020/12/25(金) 21:56:09. 74 ID:mzU6lU430 母親が若いころ、当時勤めてたデパートでジョンレノンを見たと言っていた 香水の臭いかキツかったらしい 60: ハダル(東京都) [CZ] 2020/12/25(金) 21:56:38. 47 ID:NsyfoUuX0 子供の頃は明治生まれがゴロゴロしてたのにもうSSレアみたいになってんだな 65: はくちょう座X-1(茨城県) [US] 2020/12/25(金) 22:02:29. 55 ID:Q1jf31Dt0 マッサーカーってまだ生きてんの? 67: 宇宙定数(茸) [CA] 2020/12/25(金) 22:03:37.
徳川幕府 最後の 将軍 といえば、 徳川慶喜 。 りりしいです。 在位 わずか一年で 幕府が崩壊 。死罪必至でしたが、 勝海舟 らの交渉でなんとか免れました。さて、その後、 慶喜 は 明治 〜 大正時代 にどんな人生を送っていたのか? 最後の将軍は趣味に生きました。 本当に多彩な趣味を持っていたのですが、たとえば、 写真撮影 。 カメラを持って、よく屋外に撮影に出かけたそうです。実際に 徳川慶喜 が撮影した写真は現代にも残っています。たとえばこれ↓ けっこう熱心で、当時人気だった写真雑誌『華影』にもたびたび投稿していましたが、なかなか採用されなかったそうです。 そして、 油絵 。 慶喜 の腕前はこちら。 結構上手いように見えるが、どうなんでしょう!? そして、ちょっと変わった趣味では、 慶喜 はなんでも 顕微鏡で観察 するのが好きでした。 ある日、彼は大好物のきな粉を拡大してみました。 すると、保存状態が悪かったのか、拡大したきな粉には虫がいっぱい。 それ以来 慶喜 は、大好物のきな粉を口にすることは出来なくなったそうです。 最後の将軍さん、何してんですか…。 アウトドア も大好きだったようです。 毎日やってたのが 弓道 。 鉄砲携えての 狩猟 。 イギリス紳士っぽいですね。(謎 そして、 サイクリング 。当時まだ珍しい自転車を乗り回していました。 ダルマ型自転車(オーディナリー型自転車)に乗る最後の将軍。 狩猟のときと同じ帽子ですね。お気に入りでしょうか?運動のために、しょっちゅう市中を乗り回していたそうです。( 明治 20年2月5日付『静岡大務新聞』より) 相当ハイカラです。 サイクリング中に美人に気を取られ看板に激突した 、なんてエピソードも残っています。 手裏剣 。 名人の域だったそうです。たぶん使用していたのは右の棒手裏剣だと思います。 ほかにも、釣り、手芸、碁、将棋、能楽、放鷹、打毬、飯盒(はんごう)による飯炊きなども好んでやっていたらしい。 また、 女性が好き で正室に加え側室2人と一緒に住んでいました(!)
徳川の分家間で跡継争いが起こってしまうのです。 慶喜さんの敵は有名な 井伊直弼 ( いいなおすけ ) さんです。 しかも、慶喜さんは大奥の女性たちに大変嫌われていたんですね。これは父・斉昭さんのせいなんですが…。 どの時代も女性に嫌われると勝つのは難しいですよね。 その結果、慶喜さんは負け、14代将軍は 徳川 家茂 ( いえもち ) さんとなったのです。 慶喜さんは、父とともに井伊直弼さんに 「どーなっとるんだ⁉︎」 と意見しにいくんですが、逆に謹慎処分をくらってしまいます。なにしとるんだ? 実は慶喜さんは 「将軍は骨が折れるので、無理にやって失敗するならならない方がいい」 と言うのが本音だったんですね。やる気のないお方だったのか、はたまたクールなお人?
やはり LightGBM が最も高速で実用的なようです。 ロボたん なるほどなー!違いが分かりやすい! ウマたん ぜひ自分でも実装して比較してみてねー!! Xgboost はデータセットが膨大な場合、 処理時間がかかり過ぎて実用的じゃなくなるケースがあります。 実際現在推進している実務でも Xgboost に限界を感じております・・ ぜひ 勾配ブースティングの違いを理解して、実装してみましょう! LightGBMを使ったデータ分析については以下のUdemy講座で詳しくまとめていますのでよければチェックしてみてください! 【初学者向け】データ分析コンペで楽しみながら学べるPython×データ分析講座 【オススメ度】 【講師】 僕! 【時間】 4時間 【レベル】 初級~中級 このコースは、 なかなか勉強する時間がないという方に向けてコンパクトに分かりやすく必要最低限の時間で重要なエッセンスを学び取れるように 作成しています。 アニメーションを使った概要編 と ハンズオン形式で進む実践編 に分かれており、概要編ではYoutubeの内容をより体系的にデータ分析・機械学習導入の文脈でまとめています。 データサイエンスの基礎について基本のキから学びつつ、なるべく堅苦しい説明は抜きにしてイメージを掴んでいきます。 統計学・機械学習の基本的な内容を学び各手法の詳細についてもなるべく概念的に分かりやすく理解できるように学んでいきます。 そしてデータ分析の流れについては実務に即した CRISP-DM というフレームワークに沿って体系的に学んでいきます! データ分析というと機械学習でモデル構築する部分にスポットがあたりがちですが、それ以外の工程についてもしっかりおさえておきましょう! 続いて実践編ではデータコンペの中古マンションのデータを題材にして、実際に手を動かしながら機械学習手法を実装していきます。 ここでは、探索的にデータを見ていきながらデータを加工し、その上で Light gbm という機械学習手法を使ってモデル構築までおこなっていきます。 是非興味のある方は受講してみてください! 【Pythonプログラム付】非常に強力な決定木のアンサンブル法ーランダムフォレストと勾配ブースティング決定木ー | モータ研究者の技術解説. Twitterアカウント( @statistics1012)にメンションいただければ最低価格の1200円になる講師クーポンを発行いたします! \30日間返金無料/ Pythonの勉強に関しては以下の記事を参考にしてみてください!
3f} ". format ((X_train, y_train))) ## 訓練セットの精度: 1. 000 print ( "テストセットの精度: {:. format ((X_test, y_test))) ## テストセットの精度: 0. 972 ランダムフォレストはチューニングをしなくてもデフォルトのパラメータで十分に高い精度を出すことが多い。 複数の木の平均として求めるため、特徴量の重要度の信頼性も高い。 n_features = [ 1] ( range (n_features), forest. feature_importances_, align = 'center') ((n_features), cancer.
はじめに 今回は、勾配ブースティング決定木(Gradient Boosting Decision Tree, GBDT)を用いて、 マーケティング 施策を選定する枠組みについて解説します。具体的には、説明変数]から目的変数 を予測するモデルを構築し、各説明変数の重要度を算出することで、どの説明変数が マーケティング 施策の対象になり得るかを検討します。 例えば として製品のステータス、 を製品の打ち上げとすると、製品のステータスのうち、どの要素が売上に貢献しているか示唆する情報が得られます。この情報を利用することで「どの要素に注力して売り出すか」「どの要素に注力して改善を目指すか」など、適切な施策の選定につながります。 勾配ブースティング決定木とは 勾配ブースティング決定木は、単純な「決定木」というモデルを拡張した、高精度かつ高速な予測モデルです。 理論の全体像については、以下のブログ記事がとても良くまとまっていました。本記事では、 マーケティング 施策の選定に活かすという観点で必要な部分のみを概観します。 決定木とは 決定木とは、 のとある要素に対して次々と分岐点を見つけていくことで を分類しようとするモデルです。視覚的にも結果が理解しやすいという利点があります。 原田達也: 画像認識 ( 機械学習 プロフェッショナルシリーズ), 講談社, p. 149, 2017.
ウマたん 当サイト【スタビジ】の本記事では、勾配ブースティングの各手法をPythonで実装して徹底比較していきます!勾配ブースティングの代表手法「Xgboost」「Light gbm」「Catboost」で果たしてどのような違いがあるのでしょうか? こんにちは! 消費財メーカーでデジタルマーケター・データサイエンティストをやっているウマたん( @statistics1012)です! Xgboost に代わる手法として LightGBM が登場し、さらに Catboost という手法が2017年に登場いたしました。 これらは 弱学習器 である 決定木 を勾配ブースティングにより アンサンブル学習 した非常に強力な機械学習手法群。 勾配ブースティングの仲間としてくくられることが多いです。 計算負荷もそれほど重くなく非常に高い精度が期待できるため、 Kaggle などの データ分析コンペ や実務シーンなど様々な場面で頻繁に使用されているのです。 ロボたん 最新のアルゴリズムがどんどん登場するけど、勾配ブースティング×決定木の組み合わせであることは変わらないんだね! ウマたん そうなんだよー!それだけ勾配ブースティング×決定木の組み合わせが強いということだね! この記事では、そんな 最強の手法である「勾配ブースティング」について見ていきます! 勾配ブースティングの代表的な手法である「 Xgboost 」「 LightGBM 」「 Catboost 」をPythonで実装し、それぞれの 精度と計算負荷時間 を比較していきます! ウマたん Pythonの勉強は以下の記事をチェック! 勾配ブースティング決定木を用いたマーケティング施策の選定 - u++の備忘録. 【入門】初心者が3か月でPythonを習得できるようになる勉強法! 当ブログ【スタビジ】の本記事では、Pythonを効率よく独学で習得する勉強法を具体的なコード付き実装例と合わせてまとめていきます。Pythonはできることが幅広いので自分のやりたいことを明確にして勉強法を選ぶことが大事です。Pythonをマスターして価値を生み出していきましょう!... 勾配ブースティングとは 詳細の数式は他のサイトに譲るとして、この記事では概念的に勾配ブースティングが理解できるように解説していきます。 動画でも勾配ブースティング手法のXGBoostやLightGBMについて解説していますので合わせてチェックしてみてください!
まず、勾配ブースティングは「勾配+ブースティング」に分解できます。 まずは、ブースティングから見ていきましょう! 機械学習手法には単体で強力な精度をたたき出す「強学習器( SVM とか)」と単体だと弱い「 弱学習器 ( 決定木 とか)」あります。 弱学習器とは 当サイト【スタビジ】の本記事では、機械学習手法の基本となっている弱学習器についてまとめていきます。実は、ランダムフォレストやXgboostなどの強力な機械学習手法は弱学習器を基にしているんです。弱学習器をアンサンブル学習させることで強い手法を生み出しているんですよー!... 弱学習器単体だと、 予測精度の悪い結果になってしまいますが複数組み合わせて使うことで強力な予測精度を出力するのです。 それを アンサンブル学習 と言います。 そして アンサンブル学習 には大きく分けて2つの方法「バギング」「ブースティング」があります(スタッキングという手法もありますがここではおいておきましょう)。 バギングは並列に 弱学習器 を使って多数決を取るイメージ バギング× 決定木 は ランダムフォレスト という手法で、こちらも非常に強力な機械学習手法です。 一方、ブースティングとは前の弱学習器が上手く識別できなった部分を重点的に次の弱学習器が学習する直列型のリレーモデル 以下のようなイメージです。 そして、「 Xgboost 」「 LightGBM 」「 Catboost 」はどれもブースティング×決定木との組み合わせなんです。 続いて勾配とは何を示しているのか。 ブースティングを行う際に 損失関数というものを定義してなるべく損失が少なくなるようなモデルを構築する のですが、その時使う方法が勾配降下法。 そのため勾配ブースティングと呼ばれているんです。 最適化手法にはいくつか種類がありますが、もし興味のある方は以下の書籍が非常におすすめなのでぜひチェックしてみてください! 厳選5冊!統計学における数学を勉強するためにおすすめな本! 当サイト【スタビジ】の本記事では、統計学の重要な土台となる数学を勉強するのにおすすめな本を紹介していきます。線形代数や微積の理解をせずに統計学を勉強しても効率が悪いです。ぜひ数学の知識を最低限つけて統計学の学習にのぞみましょう!... 勾配ブースティングをPythonで実装 勾配ブースティングについてなんとなーくイメージはつかめたでしょうか?
LightgbmやXgboostを利用する際に知っておくべき基本的なアルゴリズム 「GBDT」 を直感的に理解できるように数式を控えた説明をしています。 対象者 GBDTを理解してLightgbmやXgboostを活用したい人 GBDTやXgboostの解説記事の数式が難しく感じる人 ※GBDTを直感的に理解してもらうために、簡略化された説明をしています。 GBDTのメリット・良さ 精度が比較的高い 欠損値を扱える 不要な特徴量を追加しても精度が落ちにくい 汎用性が高い(下図を参照) LightgbmやXgboostの理解に役立つ 引用元:門脇大輔、阪田隆司、保坂佳祐、平松雄司(2019)『Kaggleで勝つデータ分析の技術』技術評論社(230) GBDTとは G... Gradient(勾配) B...
抄録 データ分析のコンペティションでは機械学習技術の1種である勾配ブースティング決定木(Gradient Boosting Decision Tree,以下GBDT)が精度・計算速度ともに優れており,よく利用されている.本研究では,地方自治体に所属する道路管理者の補修工法選定の意思決定補助を目的として,橋梁管理システムによって記録された橋梁管理カルテ情報から損傷原因および補修工法の推定にGBDTが活用できるか検証した.検証の結果,GBDTはいずれのモデルも橋梁管理カルテデータから高い精度で損傷原因や対策区分を推定可能であることを確認した.また,学習後のモデルから説明変数の重要度やSHAP値を算出し,諸元が損傷原因や補修補強工法に与える影響を分析することにより,モデルの妥当性を確認した.