時系列データの分析の基礎と実践ポイント

講師は、専門の研究者ではなく、システム開発者なので、とにかく実践で使えることを第一に考えています。前半で、機械学習・ディープラーニングを概観・整理します。データ分析の未経験者でもわかるように可能な限り数式を排して説明します。後半は、センサー等の時系列データデータの分析手法を概観し、実践のポイントを解説します。また、処理の違いにより、結果に対してどの程度の際が生まれるかを実験、説明します。時系列のデータ分析作業を始めたいと思われている方に最適です。

1. 機械学習/ディープラーニングの数理・確率論
   ～対象物を数値情報へ変換する～
   1. 次元とベクトル
   2. 画像を数値情報へ変換する
   3. 言語を数値情報へ変換する
   4. 音を数値情報へ変換する
   5. 状態を数値情報へ変換する
2. 機械学習の基礎と実践
   1. 機械学習の基本
      1. データがモデルをつくる
   2. 学習の種類
      1. 教師あり学習の基本
      2. 教師なし学習の基本
      3. 強化学習の基本
   3. 結果の分類
      1. 回帰
      2. クラス分類
3. ディープラーニングの基礎と実践
   1. 機械学習とディープラーニングの違いは?
      1. ディープニューラルネットワークとは
      2. 把握すべきディープニューラルネットワークの特性
   2. ディープラーニングを分類し、その特徴を把握する
      1. 畳み込みニューラルネットワーク CNN
      2. 再帰型ニューラルネットワーク RNN
      3. 強化学習 (Deep Q – learning)
4. 時系列データ処理の基本
   1. 時系列データの定義
   2. データの特性を確認する
      1. 時間軸/場所の考慮
      2. データを発生させるもの
   3. データの前処理
      1. 共通前処理
         • 回帰問題に対応するためのデータ処理
         • 正規化
         • ワンホットベクトル
   4. データのグラフ化
      1. 目視確認することの重要性
      2. 具体的手法
   5. 自己相関と変動
      1. 自己相関
      2. 変動
      3. 実際のデータで確認
   6. ARIMAモデル
      1. ARIMAモデル (自己回帰和分移動平均モデル)
      2. SARIMAモデル
      3. 実際のデータで確認
   7. DNN (RNN) モデル
      1. RNNモデル
      2. LSTMモデル
      3. 実際のデータで確認
5. このセミナーだけで終わらせないために
• 質疑応答