内定先企業

製造・流通向け機器開発サービス

インド出身のIT専攻の学生で、真面目で向上心がある。Final Year Projectはマシンラーニングの技術を使ってバックグラウンドのノイズを取り除いて人の声や大事な音だけを増幅することができる補聴器の開発にチームで取り組んでおり、主にデータ処理などソフト側の役割を担っている。コーディングが大好きで、アプリ開発やウェブ開発が得意。エンジニアとして新しいことをどんどん学びながら成長したいと考えている。

Profile

国籍・地域
インド
性別
男性
大学
プネ大学
学部
コンピュータサイエンス
学歴
学士

MESSAGE

高校時代から日本の文化や言語に魅了されていたので、工学を学びながら趣味として日本語を学び始めました。日本語を学び始めたとき、プラジワル先生やシュルティ先生のような優秀で知識豊富な先生に恵まれて、ASIAtoJAPAN日本語の授業を通して、StudyGoWorkJapanプログラムについて知るようになり、日本での就職に向けて取り組むことにしました。すぐにプログラムに応募し、積極的に日本語の勉強を続けました。

2020年は忙しくてワクワクする年で、エンジニアリングの最終年でもあり、SGWJプログラムを通じて日本企業の面接に取り組むことになっていました。しかし、Covid-19が世界を席巻している中、2020年の私の計画は、世界とともに、不確実性が満ちていました。私も仲間も、これが私たちのキャリアにとって何を意味するのか、日本で働くことに挑戦する機会が得られるのかどうか心配していました。

それに陥る前に、Asia to JapanはSGWJプログラムを完全にオンラインに切り替えて、Covid危機の影響を受ける中、私たちに希望を与えました。その安心感は言葉では言い表せません。

ロックダウンの最中に、Asia to Japan India Labsでのインターンシップという素晴らしい機会に恵まれました。インターンシップでは、ソフトウェア開発の経験と、日本のクライアントや職場文化へのアクセスができました。審査後に選ばれたときの喜びと言うのは、絶対に控えめな表現です。このインターンシップを通じて、技術力だけでなく、日本語力にも向上しました。ネイティブの日本人と話を聞いたり話したりすることで、日本語で交流する自信を持つようになりました。

インターンとして働くとともに、面接の準備もしました。自己紹介のビデオを提出した後、レジュメをよりよくするためにメンターが割り当てられました。メンターの鈴木さんとのセッションは本当に貴重でした。彼は私が会社の働き方や採用時の決めるポイントを教えてくれただけでなく、私の性格に最も近い答えを見つけるために、楽しく、親切でインタラクティブな方法で指導してくれたので、私は今までの人生を振り返って答えを見つけることができました。

私は3か月の間に三社の面接を受けましたが、それぞれの経験がユニークで貴重でした。それぞれの会社は異なる種類の人々を探して、探す方法も異なっていました。結局、非常にフレンドリーなAsia to Japanのスタッフ、メンター、そして私の先生の揺るぎなく絶え間ない助けのおかげで、私は合格した会社とマッチングして、そこで就職することを決めました。

仕事探しのこの旅は、日本での理想的なキャリアパスを見つけるだけでなく、自分のモチベーションと優先順位をより意味のある方法で理解することができました。ひらがなの勉強から面接まで、StudyGoWorkJapanの体験は、私にとって本当にユニークで人生を変えるほど貴重なもので、この旅で私を支えてくれた多くの人々を誇りに思うことができるよう、頑張ります。

FINAL YEAR PROJECT

A.完成し終了したプロジェクト
1.研究題名:ユーチューブ動画の再生回数予測モデル
2.背景と目的:
YouTubeには使用者がビデオを作って、アプロードすることができます。アップロードされた動画は他の使用者がみられます。その後、YouTubeは動画に広告を追加し、収益の一部をクリエイターに支払うことができます。
一部の動画は、通常のYouTube広告とは別に、ブランドが個別に後援しています。どちらの場合も、視聴回数に応じて収益が増加します。そのため、動画が公開される前に、動画の視聴回数を予測できれば非常に便利です。
このプロジェクトの目標は、公開前に利用可能なデータのみを使用して、動画の視聴回数を予測することです。
3.実施内容:
前処理:KaggleからトレンドのYouTube動画のデータセットをインポートしました。
データセットを分析し、無関係な列をすべて削除しました。
ビデオのタイトルとタグを言葉で分割して最も頻繁に使用される単語を計算しました。そしてすべてのストップワードを削除して、残っている言葉をエンコードし、数値データに変更しました。
データセットには十分な数値データがなかったため、別のデータセットからのチャネルの登録者数をマージしました
アルゴリズムの選択:Mulitivariate Linear Regressor, Ridge Regressor とRandom Forests Regressorを比較して、このデータセットに最適な結果が得られるかどうかを確認しました。
データセットには多くのカテゴリ値が含まれていますので、予測にRFRモデルを適用しました。
4.結果:
RFRを使用して93%の精度を達成し、大小の値で良好なパフォーマンスを達成しました。
「 Official 」、「HD」、「Marvel」のような言葉が再生回数に与える影響を観察しました。
5.学んだこと等:
くどくどしいデータがたくさんあるがNLPソリューションが必要ではない場合と同様の問題では、このタイプのエンコーディングと決定木を使用できます。
今後の課題:
YouTubeのトレンドは頻繁に変化しますので、モデルをトレーニンするために使ったデータセットを頻繁に更新する必要があります。

B.卒業研究として進行中の研究
1.研究題名:選択的な増幅機能を備えた補聴器
2.背景と目的:
1)卒業研究は耳がよく聞こえない人たち向けの補聴器を開発しています。通常の補聴器は、使用者の周りのすべての音を増幅しています。
2)私たちは機械学習を使って、バックグラウンドの音を除いて、人の声と他の大事な音だけを増幅したいです。
現在のチャレンジ:
1)そのようなノイズキャンセレイションの機能は他の先進の補聴器にもありますが、それはもう一つの問題に直面しています。
2)補聴器にはビジーレストランプロブレムと言う問題があります。騒がしい部屋には大勢の人が一緒に話すと補聴器はすべての人の声を増幅しています。誰が話しているかわからなくて補聴器の使用者が混乱されます。
3.実施内容:
1)この問題を解決するために、このプロジェクトには、ディープラーニングを使って話者の声も別々にして、誰が使用者と話しているかを特定して、その人の声だけを増幅するようにしています。
2)通常の補聴器には3つの部分があります。音を捉えるためにーつのマイクロフォンと音を増幅する増幅器と音を奏でるために1つのスピーカーです。
3)しかし、使用者と話している話者を特定するために、話者のポジションを計算する必要があります。このプロジェクトで開発している補聴器には二つのマイクロフォンをいれて、話者の相対位置を計算することができます。
4)それから、捉えた音を機械学習のアルゴリズムを使って別々にして、選択的に増幅して、結果として得られた音をスピーカーで奏でます。
4.まとめ:
この方法で、私のプロジェクトを通して、手頃な補聴器を改良することを成し遂げたいです。

PR VIDEO