時系列データ分析 セミナー

サイトマップサイトマップ よくあるお問合わせよくあるお問合せ リクエストリクエスト セミナー会場セミナー会場へのアクセス リンクリンク
セミナーのメニュー
  ヘルスケア系
8月
9月
10月
11月〜

化学・電気系 その他各分野
8月
9月
10月
11月〜
出版物出版物
新刊図書新刊図書 月刊 化学物質管理Gmpeople
通信教育講座通信教育講座
セミナー収録DVDDVD
電子書籍・学習ソフトDVD
セミナー講師のコラムです。講師コラム
お申し込み・振込み要領お申込み・振込要領
案内登録案内登録
↑ ↑ ↑
新着セミナー、新刊図書情報をお届けします。


SSL GMOグローバルサインのサイトシール  


時系列データ分析 セミナー


*その他 機械学習・ディープラーニング・人工知能: 関連セミナー、書籍はこちら:

時系列データ処理の基本から、特徴に応じた実際の分類・モデル化手法まで!図解による分かり易さを重視し解説します!

時系列データ分析すすめ方

【 R によるプログラム配布】

基礎・モデル化から異常検知・予測・機械学習まで〜

講師

茨城大学 工学部 知能システム工学科 教授 博士(理学)  鈴木 智也 先生

* 希望者は講師との名刺交換が可能です

→このセミナーを知人に紹介する

<その他関連セミナー>

9月6日 機械学習によるデータ分析の正しい進め方とその解釈〜データ分析を始める人・分析結果を受け取る人・分析を依頼する人のために〜

日時・会場・受講料

●日時 2017年9月11日(月) 10:00-17:00
●会場 [東京・大井町]きゅりあん5階第2講習室 →「セミナー会場へのアクセス」
●受講料 1名47,520円(税込(消費税8%)、資料・昼食付)
 *1社2名以上同時申込の場合、1名につき36,720円
      *学校法人割引;学生、教員のご参加は受講料50%割引。→「セミナー申込要領・手順」を確認下さい。

●録音・撮影行為は固くお断り致します。
●講義中のパソコン・携帯電話の使用はご遠慮下さい。


■ セミナーお申込手順からセミナー当日の主な流れ →

セミナーポイント

 近年,機械学習や人工知能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「時系列データ解析」に特化し,データの個性を定量化する統計的指標や,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Rによる実践方法も多数紹介します.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.

○受講対象:
 ・データ解析や機械学習にご関心がある方
 ・実際にデータ解析に携わっている方
 ・数式ばかりの教科書にお困りの方
 ・EXCELよりも高度なデータ解析ツールにご関心がある方
 ・R言語にご関心がある方

○受講後、習得できること:

 ・時系列データの特徴を定量化できる
 ・その特徴に応じて時系列データを分類できる
 ・時系列データを数学的に表現(モデル化)できる
 ・過学習を考慮した適切な予測モデルを構築できる
 ・機械学習モデルを用いて高度な予測を実現できる
 ・「相関がある」「因果がある」「非独立である」の違いを理解できる
 ・フリーソフトRを駆使して各手法をご自身の業務に活用できる

セミナー内容

1.時系列データの特徴を調べる
 (1). ランダムか?法則的か?

   a. 確率論的モデルと決定論的モデル
   b. その判別方法(法則性の可視化)
 (2). 過去は未来に影響するか?
   a. 相関性と非独立性(非線形相関)の違い
   b. 非独立性の確認(連検定,BDSテスト,相互情報量)
   c. 相関性の確認(相関係数,自己相関関数)
   d. 疑似相関に注意 (偏相関係数)
   e. 偏自己相関関数
 (3). 他から影響を受けるか?
   a. 同時刻の関係(相関性と非独立性の違い)
   b. 時間遅れを伴う関係(相関性と因果性の違い)
   c. 相関性の確認(相互相関関数)
   d. 因果性の確認(グランジャー因果テスト,移動エントロピー)

2. 様々な時系列モデル
 (1). 定常モデル

   a. AR(自己回帰)モデル
   b. ARMA(自己回帰移動平均)モデル
   c. ARIMA(自己回帰和分移動平均)モデル
   d. 過学習を防ぐAIC (赤池情報量基準)
   e. 残差診断
 (2). 非定常モデル (分散変動モデル)
   a. ARCH モデル
   b. GARCH モデル
   c. AR-GARCH モデル
 (3). モンテカルロシミュレーションによる長期予測
 (4). 異常検知への応用


3. 機械学習による時系列データの非線形予測モデル
 (1). 線形モデルと非線形の違い

   a. 重回帰分析から「非線形重回帰分析」へ
   b. 最も手軽なのに高性能な「k近傍法」
   c. 機械学習の失敗につながる「次元の呪い」
   d. 交差確認法 (CV法)
 (2). ニューラルネットワーク
   a. 期待と失望の歴史
   b. 近傍点の隙間を滑らかに埋める
   c. 深層学習(ディープラーニング)へ発展
 (3). 決定木
   a. 因果関係が分かりやすいIf?Thenルール
   b. 情報エントロピーを低下させる
 (4). 集団学習
   a. 多数決で予測精度を向上させる
   b. 予測精度が向上する理由(集合知定理)
   c. いろいろな集団学習
   d. バイアス・バリアンス分解
   e. バギング,ランダムフォレストの活用事例

  <質疑応答>

セミナー番号:AC170967

top

注目の新刊

雑誌 月刊化学物質管理

塗膜をよくするテクニック

医薬品GMP監査員必携

データインテグリティ要件と解説

リチウムイオン二次電池

製品品質照査

量子ドット材料

GMP文書

人工知能関連の法的実務

抗菌・防カビ・抗ウイルス

欧米主要国の保険・薬価制度

2017車載カメラ【改定版】

分野別のメニュー

化学・電気系他分野別一覧

  植物工場他

  機械学習他

ヘルスケア系分野別一覧

  海外関連

  医療機器

各業界共通
マーケティング・人材教育等

「化学物質情報局」

特許・パテント一覧 INDEX
(日本弁理士会 継続研修)

印刷用申込フォーム    

セミナー用

書籍用

会社概要プライバシーポリシー通信販売法の定めによる表示リクルート
Copyright ©2011 情報機構 All Rights Reserved.