☆機械学習を用いた「時系列データ分析」の基礎から、
 「将来予測」「異常検知」等への応用をわかりやすく解説する!

時系列データ分析の基礎と「Python」、「R」を用いた実務への応用

※受付を終了しました。最新のセミナーはこちら

セミナー概要
略称
時系列データ分析
セミナーNo.
180658
開催日時
2018年06月29日(金) 10:30~16:30
主催
(株)R&D支援センター
問い合わせ
Tel:03-5857-4811 E-mail:info@rdsc.co.jp 問い合わせフォーム
開催場所
価格
非会員:  50,906円 (本体価格:46,278円)
会員:  48,125円 (本体価格:43,750円)
学生:  11,000円 (本体価格:10,000円)
価格関連備考
会員(案内)登録していただいた場合、通常1名様申込で49,980円(税込)から
 ★1名で申込の場合、47,250円(税込)へ割引になります。
 ★2名同時申込で両名とも会員登録をしていただいた場合、計49,980円(2人目無料)です。
学校関係者価格は、企業に在籍されている研究員の方には適用されません。
■ 会員登録とは? ⇒ よくある質問
定員
30名 ※現在、お申込み可能です。満席になり次第、募集を終了させていただきます。
備考
昼食・資料付
講座の内容
受講対象・レベル
製造業,ソフトウェア関連企業,金融関連,公共機関等の方でデータ解析に携わる技術者の方
必要な予備知識
特に予備知識は必要ありません。基礎から解説いたします.
習得できる知識
・時系列データの特徴を定量化し,数学的に表現(モデル化)できる.
・機械学習モデルを用いて,高度な予測や異常検知をプログラミングできる.
趣旨
 近年,人工知能や機械学習が注目を集めていますが,技術的な大変化が突然起こったのではなく,過去の研究成果の積み重ねによって深層学習などの新しいモデルが誕生しました.つまりホットな技術を活用するためにも,基礎的な周辺知識は重要です.
 そこで,本セミナーでは「時系列データ」を対象にし,データの個性を定量化する統計的分析や,数式として表現する時系列モデルを多数紹介します.更にこれらの応用として「将来予測」や「異常検知」に着眼し,より高度な機械学習モデルを取り入れつつ,実務への応用をサポートします.
 本セミナーでは図解による分かり易さを重視しますが,その解説のみに終始せず,フリーソフトPythonによる実践方法も多数紹介します.なお,補足的にフリーソフトRも用いることでPythonが苦手な項目についてサポートします.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.
プログラム
1.時系列データの特徴を調べる(統計的分析)
 1-1. ランダムか?法則的か?
  (1) 確率論的モデルと決定論的モデル
  (2) その判別方法(法則性の可視化)
 1-2. 過去は未来に影響するか?
  (1) 相関性と非独立性(非線形相関)の違い
  (2) 非独立性の確認(連検定,BDSテスト,相互情報量, MIC)
  (3) 相関性の確認(相関係数,自己相関関数)
  (4) 疑似相関に注意 (偏相関係数)
  (5) 偏自己相関関数
 1-3. 他から影響を受けるか?
  (1) 同時刻の関係(相関性と非独立性の違い)
  (2) 時間遅れを伴う関係(相関性と因果性の違い)
  (3) 相関性の確認(相互相関関数)
  (4) 因果性の確認(移動エントロピー,グランジャー因果テスト)

2.時系列データの変動パターンを数式で表現する(時系列モデル)
 2-1. ランダムウォーク
  (1) 確率的トレンドと確定的トレンド
  (2) 定常性と非定常性
  (3) 定常化と単位根検定
  (4) トレンド成分と季節成分の分解
 2-2. 定常モデル
  (1) AR(自己回帰)モデル
  (2) 過学習を防ぐAIC (赤池情報量基準)
  (3) ARMA(自己回帰移動平均)モデル
  (4) ARIMA(自己回帰和分移動平均)モデル
  (5) SARIMA(季節自己回帰和分移動平均)モデル
  (6) 残差診断
 2-3. 非定常モデル (分散変動モデル)
  (1) ARCH モデル
  (2) GARCH モデル
  (3) ARIMA-GARCH モデル
 2-4. 将来予測への応用
  (1) モンテカルロシミュレーションによる長期予測
  (2) 残差の時間構造も考慮する方法
 2-5. 異常検知への応用
  (1) 予測モデルを使う方法
  (2) 予測モデルを使わない方法

3.機械学習で学習力を強化する(非線形モデル)
 3-1. 線形モデルと非線形モデルの違い
  (1) 重回帰分析から「非線形重回帰分析」へ
  (2) 最も手軽なのに高性能な「k近傍法」
  (3) 機械学習の失敗につながる「次元の呪い」
  (4) 交差確認法 (CV法)
  (5) モデルパラメータとハイパーバラメータの違い
 3-2. ニューラルネットワーク
  (1) 単一ニューロンモデルの学習則(最急勾配法)
  (2) ニューラルネットワークの学習則(逆誤差伝搬法)
  (3) 多層ニューラルネットの問題点(勾配消失問題,過学習)
  (4) 深層学習(ディープラーニング)を可能にしたオートエンコーダ
 3-3. 決定木
  (1) 因果関係が分かりやすいIf−Thenルール
  (2) 情報エントロピーを低下させる
 3-4. 集団学習
  (1) 多数決で予測精度を向上させる(集合知)
  (2) 予測精度が向上する理由(集合知定理)
  (3) いろいろな集団学習
  (4) バイアス・バリアンス分解
  (5) 集団学習の活用事例 (バギング, ランダムフォレスト, 勾配ブースティング)
 3-5. 機械学習による異常検知

 【質疑応答・名刺交換】
キーワード
時系列,データ,分析,統計,機械学習,python,セミナー,研修,講習
関連するセミナー
関連する書籍
関連する通信講座
関連するタグ
フリーワード検索