その他のエッセイはこちら
- 要約
- はじめに
- AIは意思決定できるか
- テスト実行と承認は同じではない
- 微分積分が必要になる場面
- 導関数とは何か
- 原始関数とは何か
- 三角関数の導関数と原始関数でそろえる直感
- ゼロクロスと極値
- 平坦な区間と変化率 0
- ノイズ除去と移動平均の本当の目的
- 工学・金融・データ分析・BIで微分積分が効く場面
- PID制御は代表例のひとつ
- 補足: PIDの数式モデルとPythonコード
- AIが支援できる範囲と限界
- FAQ
- まとめ
- 参考文献
- 1. まず土台を作る本
- 2. ゼロクロス・極値・ノイズを見る感覚をつける本
- 3. 制御の文脈で「変化を見る」を深める本
- 4. BI・可視化・指標読解に寄せる本
- 5. 金融・時系列の「変化率と蓄積」を学ぶ本
- 6. 「AIがテストを回せる」と「承認は別」を考える本
- 7. 補助として置くと効く本
- 迷ったらこの3冊
- 読み方の順番
要約
- AIは実装、テスト、局所的な小さい意思決定をかなり自動化できます
- ただし、何を正しいとみなすかを決める承認ゲートは別物です
- 微分積分の直感は、真のゼロクロスや極値、背後の構造を見抜く基礎になります
はじめに
生成AIの登場によって、知識へのアクセスは明らかに容易になりました。定義の確認、概念の整理、既知アルゴリズムの実装、可視化コードの生成まで、従来よりはるかに短時間で進められます。
しかも今は、コード生成だけではありません。現在のエージェント型AIは、ファイルを読み、コードを書き、テストコードを実装し、テストを回し、ログを読み、修正して再実行するところまでかなり前に進められます。
ここで言いたいのは、AIは意思決定できない、ということではありません。むしろ現在のAIは、局所的で小さい意思決定を連続的に行うことにかなり強いです。ただし、それと承認ゲートとして判断することは別です。
この記事では、この切り分けを前提に、なぜ今でも微分積分の直感が重要なのかを整理します。結論を先に言うと、AIは局所的な判断をかなり前に進められますが、「何をもって正しいとみなすか」を引き受ける承認は、人間側に残ります。そして、その承認に必要なのが、導関数、原始関数、ゼロクロス、極値、平坦な区間、ノイズと構造の違いを読む感覚です。
AIは意思決定できるか
この問いに対する答えは、単純な yes / no ではありません。どのレベルの意思決定かを分けて考える必要があります。
まず、局所的で小さい意思決定なら、AIはかなりできます。
- 次にどのファイルを開くか
- どのツールを呼ぶか
- 先にテストを回すか、修正してから回すか
- どのエラーログから潰すか
- どの平滑化を試すか
- どの可視化を追加するか
こうした判断は、目的が比較的はっきりしていて、失敗してもやり直しやすいです。だから、ツール呼び出し型の実行環境やコーディングエージェントの文脈では自動化が進みやすいです。
一方で、承認ゲートとしての判断は別です。承認で問われるのは、次のようなことです。
- そもそも何をもって正しいとみなすか
- どの証拠がそろえば十分か
- どの失敗モードを許容し、どれを許容しないか
- テストが通ったことと、妥当であることをどう区別するか
- 見えていない穴がどこにありそうか
これは単なる次手の選択ではなく、評価軸そのものを固定する仕事です。局所的な小判断の累積と、ゲートとしての承認は、似ているようで役割が違います。
テスト実行と承認は同じではない
現在のコーディングエージェントは、コードを書くだけではありません。テストコードも実装し、テストも回し、ログを読み、修正して再実行するところまでかなり進められます。
それでも残るのは、「そのテストで本当に十分か」という問いです。テストが通ることは、そのテストが保証している範囲でしか正しさを示しません。テスト項目の不足、期待値の置き方の甘さ、見たい現象の取り違えまでは、テスト実行だけでは閉じません。
要するに、AIは検証作業を大きく前に進められます。しかし、何を検証すべきか、その検証で十分か、その根拠で通してよいかという承認までは、自動では決まりません。
この違いは、波形解析でも、金融時系列でも、BIのKPI解釈でも同じです。AIが前処理、可視化、一次検証まで進められることと、その出力を「この根拠で通してよい」と承認できることは、別の能力です。
微分積分が必要になる場面
微分積分が効くのは、制御工学だけではありません。工学全般はもちろん、金融、データ分析、BIで時系列やKPIを読む場面でも、値そのものより「どう変化しているか」「どれだけ蓄積しているか」を見ることが中心になります。
例えば、工学では位置、速度、加速度の関係、回路の過渡応答、温度変化、流量、振動、拡散を考えます。金融では価格変化率、収益率、ボラティリティ、累積収益、トレンド転換を見ます。BIでは売上の前週比、前年同月比、成長率、累積売上、在庫の積み上がり、急な変化点を読みます。
見ている対象は違っても、「変化を見る」「蓄積を見る」「局所から全体を読む」という構図は共通しています。
つまり、微分積分を学ぶ意味は、計算問題を解くことだけではありません。結果の妥当性をすばやく見積もり、大間違いを早い段階で弾くことにあります。AIが実装やテストまでかなり進められる時代ほど、この直感の価値はむしろ上がります。
導関数とは何か
導関数とは、ある関数がその点の近くでどのくらいの勢いで変化しているかを表すものです。言い換えると、導関数は「変化率」や「傾き」を見るための道具です。
例えば、ある関数が右上がりなら導関数は正になりやすく、右下がりなら負になりやすいです。平坦なら $0$ に近づきます。つまり、導関数を見ると、元の関数が増えているのか、減っているのか、いったん止まっているのかを判断しやすくなります。
エンジニアの実務で重要なのは、導関数を厳密に計算できることだけではありません。波形や応答を見たときに、「ここは増加区間だから導関数は正のはず」「この山の頂上では導関数は $0$ をまたぐはず」といった感覚を持てることです。
原始関数とは何か
原始関数とは、ある関数を微分すると元の関数になるような関数です。積分と深くつながっていて、「変化率から元の振る舞いを戻して考える」ための道具と言えます。
導関数が変化の速さを見るものだとすれば、原始関数はその変化を積み上げた結果を表します。例えば、導関数が長く正なら元の関数は増えていき、導関数が長く負なら元の関数は減っていきます。導関数がある区間でずっと $0$ なら、元の関数はその区間で一定になります。
ここでも大事なのは、公式を丸暗記することではありません。変化率の形を見たときに、「これを積み上げると元の関数はどう見えるか」を直感的に思い描けることです。
三角関数の導関数と原始関数でそろえる直感
この章の数式と Python コードは、読み飛ばしても本文の理解に支障ありません。本文の要点は、数式がなくても成立します。ただ、ここを先に一度そろえておくと、後半の話がかなり読みやすくなります。
三角関数は、微分積分の直感を合わせる入口としてとても優秀です。周期的に増減し、極大と極小を繰り返し、傾きの符号変化も見やすいからです。
まず、最小限の対応関係だけ並べます。
$$
f(x) = \sin x
$$
$$
f'(x) = \cos x
$$
$$
\int \sin x , dx = -\cos x + C
$$
$$
g(x) = \cos x
$$
$$
g'(x) = -\sin x
$$
$$
\int \cos x , dx = \sin x + C
$$
ここで見たいのは、式の暗記ではありません。元の関数、導関数、原始関数が、互いにどうずれて、どこで形の対応が出るかです。
Pythonで見る三角関数の導関数と原始関数
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(-2 * np.pi, 2 * np.pi, 1000)
y = np.sin(x)
dy = np.cos(x)
Y = -np.cos(x) # sin(x) の原始関数の1つ
plt.figure(figsize=(10, 5))
plt.plot(x, y, label="sin(x)")
plt.plot(x, dy, label="d/dx sin(x) = cos(x)")
plt.plot(x, Y, label="Integral of sin(x) = -cos(x) + C")
plt.xlabel("x")
plt.ylabel("value")
plt.title("sin(x), its derivative, and one antiderivative")
plt.grid(True)
plt.legend()
plt.show()
ゼロクロスと極値
ここでまず同期しておきたいのが、ゼロクロスと極値の関係です。
$\sin x$ の極大と極小は、導関数 $\cos x$ が $0$ をまたぐ場所に対応します。
$$
\cos x = 0
$$
となるのは、
$$
x = \displaystyle\frac{\pi}{2} + k\pi
$$
です。このうち、
- 正から負への符号変化は局所最大
- 負から正への符号変化は局所最小
になります。
具体的には、$\sin x$ は
$$
x = \displaystyle\frac{\pi}{2} + 2\pi k
$$
で局所最大、
$$
x = \displaystyle\frac{3\pi}{2} + 2\pi k
$$
で局所最小になります。
言い換えると、元の関数の頂上や谷を見たいなら、導関数のゼロクロスと、その前後の符号変化を見ればよいということです。これが波形を見るときの最初の基準になります。
平坦な区間と変化率 0
次に、いわゆるプラトーの話です。ここは用語を一般的な形に寄せた方が分かりやすいです。
- ある一点で傾きが $0$ に近い
- ある区間で傾きがずっと $0$
- ある区間で傾きが一定値
この 3 つは、似て見えて別物です。
三角関数には、極大・極小の近傍で「平坦に見える点」はありますが、導関数がある区間でずっと $0$ になる真の平坦な区間はありません。$\sin x$ の山や谷では傾きは一瞬 $0$ になりますが、その前後ではまた増減します。
数学的に「平坦な区間」と言いやすいのは、導関数がある区間でずっと $0$ の場合です。そのとき、元の関数はその区間で一定関数になります。逆に、導関数が区間で一定値 $c$ なら、元の関数はその区間で一次関数 $cx + C$ になります。
ここで特に重要なのは、「恒等関数」という言い方は一般形ではないという点です。恒等関数は $f(x)=x$ なので、一次関数 $cx + C$ のうち
$$
c = 1,\quad C = 0
$$
という特別な場合に限られます。一般には、「一定関数」「一次関数」と言う方が正確です。
Pythonで見る平坦な区間、変化率 0、線形区間
三角関数だけだと、真の平坦な区間は見えません。そこで、補助的に平坦な区間を含む簡単な関数も見ておきます。
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(-4, 4, 2000)
y = np.piecewise(
x,
[x < -1, (x >= -1) & (x <= 1), x > 1],
[
lambda t: t + 2,
1.0,
lambda t: -t + 2,
],
)
dy = np.gradient(y, x)
plt.figure(figsize=(10, 5))
plt.plot(x, y, label="f(x)")
plt.plot(x, dy, label="f'(x)")
plt.xlabel("x")
plt.ylabel("value")
plt.title("Flat interval, zero derivative, and linear segments")
plt.grid(True)
plt.legend()
plt.show()
ノイズ除去と移動平均の本当の目的
ここで同期しておきたい直感は、理想的な波形だけを見て終わらないことです。実際の波形には、教科書どおりのきれいな形だけでなく、ノイズが重なることが多いです。その場合は、1つの特徴だけで即断するのではなく、ゼロクロス、極値、平坦な区間、傾きがほぼ一定な区間といった複数の手掛かりを組み合わせて読むことになります。
例えば、山の頂上付近にノイズが乗っていると、導関数は $0$ の近傍を細かく行き来し、小さなゼロクロスを何度も作ることがあります。しかし、そのすべてを極大や極小と読むのは不自然です。局所的には揺れていても、大きな形としては「上昇から下降へ切り替わっているか」を見る必要があります。このとき重要なのは、単発のゼロクロスではなく、前後を含めた符号変化の流れです。
平坦な区間でも同じです。理想的には導関数は $0$ ですが、実際にはノイズの影響で $0$ のまわりを細かく上下することがあります。その場合に見るべきなのは、「厳密に $0$ か」ではなく、「平均的には $0$ 付近に張り付いているか」です。導関数が小さく揺れているだけなら、元の関数は大きくは変化していないと読めます。
逆に、元の関数が直線的に増加している区間に少しノイズが乗っているなら、導関数は一定の正値のまわりで揺れるはずです。直線的に減少している区間なら、導関数は一定の負値のまわりで揺れるはずです。つまり、ノイズがある現実の波形では、「ぴったり一致するか」ではなく、「どの理想形の近傍にいるか」で判断することになります。
実務では、ノイズを移動平均などで平滑化する話がよく出てきます。ただ、このときの目的を単に「波形をきれいにすること」と捉えると、本質を少し外しやすいです。
本当にやりたいのは、ノイズそのものを消すことよりも、ノイズに隠れて見えにくくなっている真のゼロクロス、真の極値、真の増減傾向を見つけることです。移動平均や平滑化は、そのための手段として意味を持ちます。
例えば、導関数が $0$ 近傍で細かく上下していると、見かけ上はゼロクロスが大量にあるように見えることがあります。しかし、知りたいのはその細かな揺れ全部ではなく、現象として意味のある符号反転がどこで起きているかです。同様に、山や谷の近傍でも、ノイズのせいで小さな極値がいくつも見えてしまうことがありますが、見たいのは局所的な微小変動ではなく、支配的な極大や極小がどこにあるかです。
この観点を持つと、平滑化の動機も少し変わってきます。ノイズを除去したいのではなく、背後にある構造を読み取りたい。ゼロクロスと極値の対応、変化率 $0$ と平坦さの対応、一定の傾きと一次関数の対応を、ノイズに邪魔されずに見たい。そう考えると、移動平均やフィルタは単なる前処理ではなく、現象の意味を取り出すための補助手段として位置づけられます。
もちろん、平滑化を強くかけすぎると、本来あるはずの極値や立ち上がりまで潰してしまうことがあります。だから重要なのは、「ノイズをどれだけ減らすか」だけではなく、「何を残して、何を捨てたいのか」を先に持っていることです。この判断の土台になるのが、まさに導関数、原始関数、ゼロクロス、極値に対する直感です。
工学・金融・データ分析・BIで微分積分が効く場面
微分積分が効くのは、PID制御のような古典制御に限りません。工学の多くの領域はもちろん、金融やデータ分析、BIで指標を読む場面でも、値そのものより「どう変化しているか」「どれだけ蓄積しているか」を見ることが中心になります。
例えば、機械やロボティクスでは、位置、速度、加速度の関係を読むときに微分積分の感覚がそのまま必要になります。電気電子では、電圧や電流の立ち上がり、RCやRLC回路の過渡応答、電流と電荷の関係を考えるときに、変化率と蓄積量の理解が前提になります。
信号処理やデータ分析でも事情は同じです。急激な変化を検出したいときには差分や微分的な見方が使われますし、ノイズの中から背後にある構造を取り出すときにも、どこに真のゼロクロスや真の極値があるかという感覚が重要になります。画像処理でのエッジ検出も、発想としては空間方向の変化率を見ていると言えます。
金融でも、微分積分的な見方は広く使われています。価格や収益率の系列では、絶対値そのものより、変化率、収益率、ボラティリティ、累積収益、トレンド転換の方が重要になることが多いです。
BIツールや業務データの可視化でも、微分積分の発想は実務的です。売上の前日比、前週比、前年比、成長率、累積売上、在庫の積み上がり、KPIの急変、トレンドの反転といった指標は、すべて「いまの値」だけでなく、「どう変わっているか」「どのくらい積み上がっているか」を読む話だからです。BIツールそのものが微分積分を教えてくれるわけではありませんが、可視化された指標を正しく読むには、導関数や原始関数に近い見方が入ってきます。
このように、微分積分の価値は、特定の専門分野だけに閉じたものではありません。工学、金融、データ分析、BIに共通する「変化を見る」「蓄積を見る」「局所から全体を読む」という見方の基礎として機能しています。
PID制御は代表例のひとつ
PID制御器は古典制御の基礎です。今では、ネットで調べても、生成AIに作らせても、とりあえず動くコードを作ること自体は難しくありません。むしろ、実装のひな型、テストコード、ログ出力、可視化コードまで一気に揃うことも珍しくありません。
問題はその先です。狙った通りに動いているか、比例制御、積分制御、微分制御がそれぞれ正しく機能しているかを、誰が承認するのかという点です。コードを書いたAIではなく、最終的に承認する人間がそこを担います。
このとき必要なのは、各項がどういう波形になるはずかという期待値です。
- 比例項は誤差に比例
- 積分項は誤差が残る限り蓄積
- 微分項は誤差の変化速度に応答
この対応が頭に入っていれば、中間変数の波形を見た瞬間に、だいたい自然かどうかが分かります。逆に、その感覚がなければ、AIが中間変数を可視化してくれても、そのグラフを承認できません。
実務では、次のような典型的な違和感を早く拾えるかどうかが効いてきます。
- 誤差が消えているのに積分項だけが不自然に伸び続ける
- 定常区間なのに微分項が大きく暴れ続ける
- 符号が逆で、抑えたいはずの誤差をむしろ増やしている
- サンプリング周期の扱いを誤って、積分や差分のスケールが崩れている
- 飽和やアンチワインドアップを考慮しておらず、見かけ上だけ動いている
ここでも、ノイズと構造を見分ける視点が効きます。微分項は特にノイズに敏感なので、ただ揺れているというだけで「微分が効いている」と読んではいけません。見たいのは、現象として意味のある変化速度への応答です。
こうした「そもそも大間違い」を早い段階で弾けるかどうかは、時短に直結します。厳密な検証は別ツールや別実装でも行うべきですが、その前に大崩れを見抜ける人は強いです。
補足: PIDの数式モデルとPythonコード
この章の数式モデルとPythonコードは、読み飛ばしても本文の理解に支障ありません。本文の要点は、数式がなくても成立します。
PID制御の連続時間表現を最小限だけ書くと、次の形です。
$$
u(t) = K_p e(t) + K_i \int_{0}^{t} e(\tau) d\tau + K_d \displaystyle\frac{d e(t)}{dt}
$$
離散時間で雑に見通しを持つなら、次のように考えると整理しやすいです。
$$
u[k] = K_p e[k] + K_i \sum_{n=0}^{k} e[n] \Delta t + K_d \displaystyle\frac{e[k] – e[k-1]}{\Delta t}
$$
この式そのものより大事なのは、次の読み方です。
- P は今の誤差を見る
- I は誤差の残りをためる
- D は誤差の変わり方を見る
以下のPythonコードは、誤差波形からP項、I項、D項の典型的な形をざっくり眺めるための最小例です。
import numpy as np
import matplotlib.pyplot as plt
dt = 0.01
t = np.arange(0, 8, dt)
e = np.piecewise(
t,
[t < 1.0, (t >= 1.0) & (t < 4.0), t >= 4.0],
[
1.0,
lambda x: np.exp(-1.2 * (x - 1.0)),
0.08,
],
)
Kp = 0.8
Ki = 0.6
Kd = 0.15
p_term = Kp * e
i_term = Ki * np.cumsum(e) * dt
d_term = Kd * np.gradient(e, dt)
plt.figure(figsize=(10, 5))
plt.plot(t, e, label="error e(t)")
plt.plot(t, p_term, label="P term")
plt.plot(t, i_term, label="I term")
plt.plot(t, d_term, label="D term")
plt.xlabel("time [s]")
plt.ylabel("value")
plt.title("Typical PID term behavior")
plt.grid(True)
plt.legend()
plt.show()
AIが支援できる範囲と限界
AIが支援できる範囲は広いです。
- 定義の確認
- 典型パターンの整理
- 実装のひな型作成
- テストコードの下書き
- テスト実行とログ確認
- 中間変数の可視化
- 比較用コードの下書き
- 説明文の圧縮や言い換え
ただし、支援しにくい範囲もはっきりあります。
- 何をもって正しいとみなすかの定義
- テストで保証していない穴の発見
- ノイズと構造の混同を避けること
- どの失敗モードを許容しないかの判断
- 最終的に「この根拠で通す」と承認する責任
要するに、AIは実装と一次検証をかなり自動化できます。局所的な小さい意思決定もかなりこなせます。しかし、承認ゲートとしての判断は別です。
だからこそ、生成AIがあれば知識獲得や検証は完全に足りる、という論調には距離を置いた方がよいです。どこまでをAIに任せられて、どこから先は自分が承認責任を持つのかを切り分けておくことが、これからのエンジニアには重要です。
FAQ
Q1. AIは意思決定できるのか
はい。局所的で小さい意思決定はかなりできます。どのツールを呼ぶか、どのファイルを開くか、どのテストを先に回すかといった判断は、エージェント型AIの強みです。
Q2. では、なぜ承認はAIに任せきれないのか
承認は、次の一手を選ぶことではなく、何をもって正しいとみなすかを定義することだからです。テストが通ることと、十分な根拠で正しいことは同じではありません。
Q3. 微分積分はなぜ必要か
微分積分は、変化の形を読み、結果の妥当性を見積もるために必要です。特に実務では、値そのものより変化率や蓄積量を見る場面が多く、導関数と原始関数の感覚があると大間違いを早く弾きやすくなります。
Q4. 導関数とは何か
導関数は、関数がその点の近くでどのくらいの速さで変化しているかを表すものです。波形で言えば、上がっているのか、下がっているのか、平坦なのかを見るための指標です。
Q5. 原始関数とは何か
原始関数は、微分すると元の関数になる関数です。変化率を積み上げた結果として、元の関数の形を考えるための道具です。
Q6. ゼロクロスとは何か
ゼロクロスとは、関数が $0$ をまたぐ点のことです。導関数のゼロクロスは、元の関数の極値候補を見つける入口になります。ただし、極大か極小かを判断するには、前後の符号変化まで見る必要があります。
Q7. ノイズがあるとき、なぜ移動平均や平滑化を使うのか
単に波形をきれいに見せるためではありません。ノイズに埋もれた真のゼロクロス、真の極値、真の増減傾向を見つけやすくするためです。平滑化は構造抽出のための補助手段として考える方が本質に近いです。
Q8. 金融でも微分積分は使うのか
はい。価格変化率、収益率、ボラティリティ、累積収益、トレンド転換など、金融では変化と蓄積を見る場面が非常に多くあります。特に、ノイズの多い時系列の中から意味のある転換点を読むときに、微分積分の直感が効きます。
Q9. BIツールでも微分積分は必要か
BIツールそのものを操作するだけなら必須ではありません。ただ、BIで可視化された売上、成長率、累積値、変化点、トレンドを正しく読むには、変化率と蓄積量をどう見るかという微分積分的な感覚が役立ちます。
Q10. PID制御は生成AIで実装できるのに、なぜ理解が必要か
実装できることと、正しく承認できることは別だからです。比例項、積分項、微分項がどういう形で現れるはずかを理解していないと、中間変数の波形を見ても妥当性を判断できません。
まとめ
AIは、コードを書き、テストを実装し、テストを回し、ログを読み、局所的な小さい意思決定をかなり前に進められます。しかし、それと承認ゲートとして判断することは別です。
承認で問われるのは、何をもって正しいとみなすか、どの証拠がそろえば十分か、どの失敗モードを許容しないかです。そこでは、テストの通過だけでなく、現象理解として自然かどうかを見る必要があります。
微分積分の直感は、そのための土台です。導関数、原始関数、ゼロクロス、極値、平坦な区間、ノイズと構造の違いを読めることが、AI時代の実務でもなお効きます。
- AIは局所判断をかなり自動化できます
- 承認ゲートは評価軸と証拠水準を引き受ける仕事です
- 微分積分の直感は、真の構造を見て大間違いを早く弾く力になります
その他のエッセイはこちら
参考文献
Model Context Protocol, Tools
https://modelcontextprotocol.io/specification/2025-06-18/server/tools
OpenAI, Introducing Codex
https://openai.com/ja-JP/index/introducing-codex/
UNESCO, Guidance for generative AI in education and research
https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research
NIST, Oracle-Free Match Testing of a Program Using Covering Arrays and Equivalence Classes
https://www.nist.gov/patents/oracle-free-match-testing-program-using-covering-arrays-and-equivalence-classes
Nature Human Behaviour, When combinations of humans and AI are useful: A systematic review and meta-analysis
https://www.nature.com/articles/s41562-024-02024-1.pdf
University of California, Irvine, Derivatives of Trig Functions
https://www.math.uci.edu/~ndonalds/math2a/notes/3-3.pdf
University of Utah, Local Extrema
https://www.math.utah.edu/lectures/math1210/18PostNotes.pdf
Cornell University, Antiderivatives
https://e.math.cornell.edu/people/belk/math1110/StudyGuideAntiderivatives.pdf
Cornell University, Integrals
https://e.math.cornell.edu/people/belk/math1110/StudyGuideIntegrals.pdf
University of Michigan, Introduction: PID Controller Design
https://ctms.engin.umich.edu/CTMS/index.php?example=Introduction§ion=ControlPID
Stanford University, Lecture 4 – PID Control
https://web.stanford.edu/class/archive/ee/ee392m/ee392m.1034/Lecture4_PID.pdf
NIST/SEMATECH e-Handbook of Statistical Methods, Introduction to Time Series Analysis
https://www.itl.nist.gov/div898/handbook/pmc/section4/pmc4.htm
NIST/SEMATECH e-Handbook of Statistical Methods, What are Moving Average or Smoothing Techniques?
https://www.itl.nist.gov/div898/handbook/pmc/section4/pmc42.htm
FRED, 4-Week Moving Average of Initial Claims
https://fred.stlouisfed.org/series/IC4WSA/
MIT OpenCourseWare, Volatility Modeling
https://ocw.mit.edu/courses/18-642-topics-in-mathematics-with-applications-in-finance-fall-2024/resources/mit18_642_f24_lec17_1_pdf/
Microsoft Learn, Line Charts in Power BI
https://learn.microsoft.com/en-us/power-bi/visuals/power-bi-line-chart
Microsoft Learn, RUNNINGSUM function (DAX)
https://learn.microsoft.com/ja-jp/dax/runningsum-function-dax
1. まず土台を作る本
微分積分（第2版）
いちばん無難な土台本です。森北出版の説明でも、工学系の学生向けに「微分と積分の意味がきちんとわかり、十分な計算力も身につく」構成で、高校の数学III未履修でも入れるよう数列から解説するとされています。「導関数とは何か」「原始関数とは何か」を、変な飛躍なく固める用途に向いています。
2. ゼロクロス・極値・ノイズを見る感覚をつける本
改訂版 入門 はじめての時系列分析
東京図書の紹介では、時系列分析の基本概念から、交差相関係数、指数平滑化、自己回帰モデルまでを、Excel を使って解説する入門書です。「ノイズを消したいのではなく、真の変化点や構造を読みたい」という話と相性がいいです。
時系列分析ハンドブック
これは入門より一段重いですが、非線形時系列、非定常時系列、連続時間時系列、スペクトル法、ウェーブレット法まで広く触れられる日本語訳です。現象の背後にある構造をより理論寄りに見たいなら強いです。
3. 制御の文脈で「変化を見る」を深める本
PID制御 現代制御論の視点から
オーム社の紹介どおり、PID 制御を古典制御だけでなく現代制御の視点から解説した本です。目次にも安定性理論、LMI、最適化、非線形システム、ロボットアームなどが並んでいて、「比例・積分・微分の各項を承認できるか」という論点に直結します。PID をただの公式としてではなく、挙動の意味まで読みたいならこれがいちばん合います。
4. BI・可視化・指標読解に寄せる本
Microsoft Power BI入門 第2版
翔泳社の説明では、Power BI の使い方だけでなく、「そもそもデータとは何か」「どう考えればBIがうまくいくのか」を中心に扱う入門書で、データ準備、モデリング、可視化、レポート共有まで入っています。「BI ツールそのものより、可視化された指標をどう読むか」という話と相性がいいです。
Microsoft Power BI［実践］入門
技術評論社の紹介では、基礎知識、データモデリング、データクレンジング、視覚化を基礎から解説する本です。Power BI を単なる操作本としてではなく、データの形と指標の意味まで踏み込んで扱いたいなら、こちらもかなり合います。
5. 金融・時系列の「変化率と蓄積」を学ぶ本
Excel&VBAで学ぶファイナンスの数理
きんざいの説明では、微分・積分、確率論、ポートフォリオ理論、回帰モデル、自己回帰モデル、確率過程、オプション評価までを、金融実務の要請から選ばれたテーマとして解説しています。第1章が微分と積分、第5章が回帰モデルと自己回帰モデル、第8章がブラック・ショールズの偏微分方程式なので、「金融でも微分積分は効く」をかなり素直に補強できます。
時系列の統計的研究
やや古い本ですが、東洋経済の紹介では、経済分析のための時系列分析を、基礎理論から応用手法まで詳しく解説した本です。金融や経済の時系列を、ノイズと構造の切り分けまで含めて理論寄りに見たい人に向いています。
6. 「AIがテストを回せる」と「承認は別」を考える本
テスト駆動開発
オーム社の紹介どおり、これは日本語版の “Test-Driven Development By Example” です。ユニットテストとリファクタリングを小さいサイクルで回す考え方を学べます。「AI は小さい意思決定や一次検証をかなり進められるが、承認ゲートは別」という話を、ソフトウェア開発の文脈で整理するのにちょうどいいです。
7. 補助として置くと効く本
Pythonによるあたらしいデータ分析の教科書 第3版
翔泳社の説明では、データ取得・加工・可視化・数学の基礎・機械学習の流れまでを扱う本です。微分積分そのものを深く掘る本ではないですが、「変化を見る」「可視化する」「モデルに乗せる」という流れを実務寄りに固める補助としてはかなり使いやすいです
迷ったらこの3冊
- 微分積分（第2版）
- 改訂版 入門 はじめての時系列分析
- PID制御 現代制御論の視点から
この3冊だと、
- 微分積分の意味
- ノイズと構造の見分け
- 実務での承認感覚
が、かなりきれいにつながります。
読み方の順番
- まず「微分積分（第2版）」で、導関数・原始関数の土台
- 次に「改訂版 入門 はじめての時系列分析」で、ノイズ・平滑化・変化点
- そのあと「PID制御 現代制御論の視点から」で、承認の感覚を制御で具体化
- BI に寄せるなら Power BI 本
- 金融に寄せるなら Excel&VBAで学ぶファイナンスの数理
- AI と検証の関係を整理したいなら テスト駆動開発
コメント