時系列データは様々な実務に用いるにも関わらず、なぜか大学では主に経済学部でしか学ぶ機会がなく、理系出身のエンジニアの方々はお困りだろうと察します。また、限られた勤務時間の中で独学を試みても、数式ばかりの教科書に難儀されているのではないでしょうか。
そこで本セミナーでは、図解による分かり易さを重視し、フリーソフトPythonによる実践方法を多数紹介します。特に、データの個性を定量化する統計分析や、数式化する時系列モデルを紹介した後。人工知能技術として「将来予測」や「異常検知」に応用します。これらのプログラムは全て配布しますので、復習やご自身の業務にご活用いただけます。
- 時系列データの分析手法
- 時系列データのモデル化
- 時系列データの予測と異常検知
- 将来予測への応用
- モンテカルロシミュレーションによる長期予測
- 残差の時間構造も考慮する方法
- 異常検知への応用
- 予測モデルを使う方法
- 予測モデルを使わない方法
- 機械学習による学習力の強化
- 線形モデルと非線形モデルの違い
- 重回帰分析から「非線形重回帰分析」へ
- 最も手軽なのに高性能な「k近傍法」
- 機械学習の失敗につながる「次元の呪い」
- 交差確認法 (CV法)
- モデルパラメータとハイパーバラメータの違い
- ニューラルネットワーク
- 単一ニューロンモデルの学習則 (最急勾配法)
- ニューラルネットワークの学習則 (逆誤差伝搬法)
- 多層ニューラルネットの問題点 (勾配消失問題,過学習)
- 深層学習を可能にしたオートエンコーダ
- 様々な時系列モデルの使い分け
- 様々な機械学習の使い分け
- 様々な異常検知の使い分け
- ニューラルネットワークから深層学習へ
- 決定木による学習結果の可視化
- 集団学習による学習力の強化
- 多数決で予測精度を向上させる
- 予測精度が向上する理由 (集合知定理)
- いろいろな集団学習
- バイアス・バリアンス分解
- 集団学習の活用事例
- PythonとRを連携して使うテクニック
- Pythonによるデモンストレーション