時系列データ分析(演習付) 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
1月
2月
3月
4月〜

化学・電気系 その他各分野
1月
2月
3月
4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
  ↑2017/11/22更新!!
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(演習付) 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!
★ただ分析するのみでなく、得られた結果を解釈・考察し活かすための知識について、図解により分かり易く整理します。
Python および R のプログラムも配布します!

時系列データ分析すすめ方

【RとPythonによる演習付】(定員40名)

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

日時・会場・受講料

●日時 2018年3月6日(火) 11:00-17:00
    2018年3月7日(水) 10:00-16:00
●会場 [東京・京急蒲田]大田区産業プラザ(PiO)6階C会議室 →「セミナー会場へのアクセス」
●受講料 1名61,560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50,760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。
 ●講義中の携帯電話の使用はご遠慮下さい。
 ●講義中のパソコン使用は、講義の支障や他の方の迷惑となる場合がありますので、極力お控え下さい。
  場合により、使用をお断りすることがございますので、予めご了承下さい。
  *PC実習講座を除きます。


■ 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

○実習用PCについてのご注意:

*ノートPCをご持参ください。
 事前に以下のインストールをお願い致します。


 1.PythonのAnaconda(ver.3.6指定)
  https://www.anaconda.com/download/
  (参照:インストール手順及び動作確認方法
      http://tsuzuki.ise.ibaraki.ac.jp/TS_lab/Python_check.pdf)
 2.R(ver.3.4.3指定)
  https://cran.ism.ac.jp
  (参照:インストール手順及び動作確認方法
      http://tsuzuki.ise.ibaraki.ac.jp/TS_lab/R_check.pdf)

 上記ツールはOSを問いませんので,Windows,Mac,Linux いずれもOKです。
 PCスペック:Win7以降ならOKです。

*ご所属企業のセキュリティの関係等にて、
 ・お手持ちのPCへの上記インストールが難しい場合
 ・お手持ちのPCでは、USB経由でのデータ受取・利用ができない場合(実習用データは、当日USBにて配布致します。予めご確認下さい)
 などは、お申込み時に選択欄から『PC貸出』を選択ください。
 7,560円(税込)にて貸出致します。
 ・PCの貸出は原則として1週間前までにお申し出ください。
 ・PC貸出代には、学校法人割引は適用されません。


*実習用データはPC持込・貸出にかかわらず皆様に進呈いたします。

*本件についての問い合わせ: req@johokiko.co.jp


○セミナーポイント:
 近年の機械学習や人工知能のニーズに伴い,仕組みの理解のみならず実際に使える力が望まれています.その支援ツールとしてRやPythonは世界中でユーザー数が圧倒的に多く,様々な企業でも活用されています.その理由として,便利なツールボックスが多数公開されており,これらを活用することで容易にプログラミング可能なことが挙げられます.しかも全てのツールは無料です.
 そこで本セミナーでは,時系列データにおいて統計的分析や機械学習を実現するためのプログラミングを演習します.
 すぐに「なんて簡単に分析できてしまうんだ!」と驚くでしょう.しかし得られた結果を解釈し,考察し,新しい提案に活かすことが重要です.そのためには各手法の目的や仕組みを正しく理解し,状況に応じて使い分ける力も必要です.そこで本セミナーでは,重要な理論的知識については図解によって分かり易く整理します.
 最終的な目標は「将来予測」や「異常検知」などの工学的応用ですが,第3章の機械学習モデルはブラックボックスになり易いため,説明力を重視した時系列モデル(第2章)や,モデル化に伴う情報収集に必要な統計的分析法(第1章)についてもご紹介します.
 Rは統計分析に強く,Pythonは機械学習に強いため,それぞれを組み合わせて活用すると大変便利です.この点についてもセミナーで言及します.なお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:
 ・時系列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やPythonにご関心がある方

○受講後、習得できること:
 ・「相関」「因果」「非独立」の違いを理解できる
 ・時系列データの特徴を定量化できる
 ・時系列データの変動パターンを数式で表現(モデル化)できる
 ・「過学習」や「次元の呪い」に配慮した機械学習モデルを構築できる
 ・「モデルパラメータ」と「ハイパーパラメータ」の違いを理解できる
 ・モデルを「将来予測」や「異常検知」に活用できる
 ・集団学習など最新の機械学習モデルも活用できる
 ・RやPythonを駆使して本セミナー内容をご自身の業務に活用できる

セミナー内容

0.プログラミングツールの基礎知識
 (1). 科学技術を支えるプログラミング
 (2). RとPythonの特徴
 (3). RとPythonの基本操作

   a. 関数電卓としての活用
   b. 外部データの入出力
   c. 配列操作と制御文
   d. パッケージの活用
   e. 自作関数の作り方
   f. データの前処理
 (4). RとPythonの連携
   a. RからPythonの呼び出し
   b. PythonからRの呼び出し

1.時系列データの特徴を調べる(統計的分析)
 (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,MIC)
   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(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)
 (1) ランダムウォーク

   a. 確率的トレンドと確定的トレンド
   b. 定常性と非定常性
   c. 定常化と単位根検定
   d. トレンド成分と季節成分の分解
 (2). 定常モデル
   a. AR(自己回帰)モデル
   b. 過学習を防ぐAIC (赤池情報量基準)
   c. ARMA(自己回帰移動平均)モデル
   d. ARIMA(自己回帰和分移動平均)モデル
   e. SARIMA(季節自己回帰和分移動平均)モデル
   f. 残差診断
 (3). 非定常モデル (分散変動モデル)
   a. ARCH モデル
   b. GARCH モデル
   c. ARIMA-GARCH モデル
 (4). 将来予測への応用
   a. モンテカルロシミュレーションによる長期予測
   b. 残差の時間構造も考慮する方法
 (5). 異常検知への応用
   a. 予測モデルを使う方法
   b. 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)
 (1). 線形モデルと非線形モデルの違い

   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)
   e. モデルパラメータとハイパーバラメータの違い
 (2). ニューラルネットワーク
   a. 単一ニューロンモデルの学習則(最急勾配法)
   b. ニューラルネットワークの学習則(逆誤差伝搬法)
   c. 多層ニューラルネットの問題点(勾配消失問題,過学習)
   d. 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
   e. ファインチューニングと転移学習
 (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(集合知)
   b. 予測精度が向上する理由(多様性予測定理)
   c. バギング
   d. 確率的属性選択
   e. ブースティング
   f. スタッキング
   g. カスケード
   h. バイアス・バリアンス分解
   i. 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)

 <質疑応答>

セミナー番号:AC180361

top

注目の新刊

雑誌 月刊化学物質管理

セルロースナノファイバー

製造業IoT/AI

医療機器QMS

LC-MS/MS定量分析

機械学習・人工知能

高分子添加剤

2018カメラモジュール

GCPシステム監査

塗膜をよくするテクニック

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 商標について リクルート
Copyright ©2011 情報機構 All Rights Reserved.