ベイズ統計の基本的な考え方を様々な職種・業務の方が理解しやすいようにシンプルな活用例を示すとともに、最近話題のベイズ分析ツールRStanを使ったベイズ統計によるデータ分析の実践例をご説明します！
※本セミナーはZOOMを使ったLIVE配信セミナーです。会場での参加はございません。
◆受講者限定で見逃し配信（1週間：何度でも視聴可）を予定しております。
１． イントロダクション：ベイズ統計でなにができるようになるか
1-1. 原発でのポンプ故障率の分析例 （階層ベイズモデル）
２． 条件付き確率とベイズの定理
2-1. 確率分布と期待値、分散
2-2. 条件付き確率、独立性
2-3. 条件付き確率を活用する
(1) 確率と条件付き確率の違い
(2) モンティ・ホール問題
2-4. ベイズの定理とその応用
(1) ベイズの定理と分解公式
(2) 応用上の意味
(3) がん診断
(4) ベイズの定理を用いた計算例
2-5. 機械学習への応用
(1) 迷惑メールフィルタ
(2) 迷惑メールの確率
(3) 迷惑メールフィルタの仕組み
(4) 機械学習の考え方
３． ベイズ統計入門
3-1. 統計モデル
(1) 推測統計でのデータの解釈
(2) 母集団と統計モデル
(3) モデルの明示
(4) 基本的な分析の流れ
3-2. 事前分布の導入
(1) パラメータの不確実性の表現
(2) データから計算したい条件付き確率
(3) 事前分布の導入
3-3. 事後分布
(1) 事後分布の定義
(2) ベイズ分析の主要な部分
４． 事後分布に基いた統計推測
4-1. 事前分布の設定の仕方
4-2. 共役事前分布
(1) 共役事前分布
(2) 二項分布＋ベータ分布
(3) ポアソン分布＋ガンマ分布
(4) 正規分布＋正規分布
4-3. 事後分布に基いたパラメータ推定
(1) ベイズ分析の報告の基本
(2) 点推定
(3) 信用区間
５． ベイズモデリングと予測分布
5-1. 広告効果を確率で評価する
(1) 問題設定
(2) 統計モデルの設定
(3) 事前分布の設定
(4) 分析結果
5-2. 新規店舗の売上を分布で予測する
(1) 問題設定と統計モデル
(2) 予測分布
(3) 分析結果
5-3. 期待損失最小化で中古PCの追加購入台数を決める
(1) 問題設定
(2) 損失関数
(3) 決定関数
(4) 分析結果
６． コンピュータ（計算機）を用いたベイズ分析の実践
～各モデリング手法及びRStanによる実行・評価～
6-1. ベイズ分析ツールRStanについて
(1) ベイズ分析ツールの仕組み
(2) Stanの概要
(3) RStanの使い方
6-2. モンテカルロ法
(1) ベイズ分析に必要な計算
(2) モンテカルロサンプリング
(3) モンテカルロ積分
(4) IIDサンプル(理想的なモンテカルロサンプル)
6-3. マルコフ連鎖と定常分布
(1) マルコフ連鎖
(2) 1次元山登りウオーク
(3) 定常分布
6-4. マルコフ連鎖モンテカルロ法(MCMC法)
(1) メトロポリス・ヘイスティングス法(MH法)のアルゴリズム
(2) MH法の実装例とMCMCサンプル
(3) ギブス・サンプリングの概要
(4) ギブス・サンプリングのアルゴリズム
6-5. 階層ベイズモデルとその分析例
(1) 問題設定
(2) 統計モデルの設定
(3) 事前分布の設定
(4) 分析結果
6-6. 一般化線形モデルとその分析例
(1) 問題設定
(2) 統計モデルの設定
(3) 事前分布の設定
(4) 分析結果
6-7. 状態空間モデルとその分析例
(1) 問題設定
(2) 統計モデルの設定
(3) 事前分布の設定
(4) 分析結果
【質疑応答】