1口(1社3名まで受講可能)でのお申込は、

 受講料 57,000円(税別)/1口 が格安となります。



 

『Pythonを使った時系列データ分析』 


~基礎・モデル化から予測・異常検知・機械学習への応用~


 S180326A



 
 

開催日時:2018年3月26日(月)10:00-17:00

会  場:オーム ビル(千代田区神田錦町)

受 講 料:1人様受講の場合 47,000円[税別]/1名

     1口でお申込の場合 57,000円[税別]/1口(3名まで受講可能)

画像認識セミナー日程表  新宣伝セミナー日程表
 

 講 師

 

 鈴木智也(すずきともや) 氏 

   茨城大学 工学部 知能システム工学科部 教授(博士(理学))

 <略歴>  新潟県新潟市生まれ.2000年に東京理科大学理学部応用物理学科を卒業し,同年より東京理科大学大学院理学研究科物理学専攻に進学.
2002年に同大学院修士課程を修了し,2005年に同大学院博士課程を修了.その後,東京電機大学工学部助手,同志社大学理工学部専任講師,茨城大学工学部准教授を経て,2016年より現職.
 <研究内容>  ミクロな相互作用によってマクロ現象が創発される系(=複雑系)に興味を持っています.
★データからルールを発見する「時系列解析」
★データから未来を予測する「時系列予測」
★データを音楽や画像に変換し, 人間の高度な感性で分析する「時系列アート」
★株式/FXの投資戦略を最適化する「機械学習 + 金融工学」
★テクニカル分析をアカデミック化する「機械学習 + テクニカル分析」
★自分で考案した取引戦術を実装する「自動取引マシンの開発」
★人間同士の交渉をシミュレート, 社会現象を分析する「人工社会」
★膨大に計算時間が必要な問題を素早く解く「最適化問題」
★多変量データ間のつながりを分析する「複雑ネットワーク科学」
 、など…

 セミナーの概要

 

 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.

 講義項目

 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?
   1.1.1 確率論的モデルと決定論的モデル
   1.1.2 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?
   1.2.1 相関性と非独立性(非線形相関)の違い
   1.2.2 非独立性の確認(連検定,BDSテスト,相互情報量)
   1.2.3 相関性の確認(相関係数,自己相関関数)
   1.2.4 疑似相関に注意(偏相関係数)
   1.2.5 偏自己相関関数
  1.3 他から影響を受けるか?
   1.3.1 同時刻の関係(相関性と非独立性の違い)
   1.3.2 時間遅れを伴う関係(相関性と因果性の違い)
   1.3.3 相関性の確認(相互相関関数)
   1.3.4 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
   2.1.1 確率的トレンドと確定的トレンド
   2.1.2 定常性と非定常性
   2.1.3 定常化と単位根検定
   2.1.4 トレンド成分と季節成分の分解
  2.2 定常モデル
   2.2.1 AR(自己回帰)モデル  
   2.2.2 過学習を防ぐAIC(赤池情報量基準)
   2.2.3 ARMA(自己回帰移動平均)モデル
   2.2.4 ARIMA(自己回帰和分移動平均)モデル
   2.2.5 SARIMA(季節自己回帰和分移動平均)モデル
   2.2.6 残差診断
  2.3 非定常モデル(分散変動モデル)
   2.3.1 ARCHモデル
   2.3.2 GARCHモデル
   2.3.3 ARIMA-GARCHモデル
  2.4 将来予測への応用
   2.4.1 モンテカルロシミュレーションによる長期予測
   2.4.2 残差の時間構造も考慮する方法
  2.5 異常検知への応用
   2.5.1 予測モデルを使う方法
   2.5.2 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
   3.1.1 重回帰分析から「非線形重回帰分析」へ
   3.1.2 最も手軽なのに高性能な「k近傍法」
   3.1.3 機械学習の失敗につながる「次元の呪い」
   3.1.4 交差確認法(CV法)
   3.1.5 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
   3.2.1 単一ニューロンモデルの学習則(最急勾配法)
   3.2.2 ニューラルネットワークの学習則(逆誤差伝搬法)
   3.2.3 多層ニューラルネットの問題点(勾配消失問題,過学習)
   3.2.4 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
   3.3.1 因果関係が分かりやすいIf−Thenルール
   3.3.2 情報エントロピーを低下させる
  3.4 集団学習
   3.4.1 多数決で予測精度を向上させる
   3.4.2 予測精度が向上する理由(集合知定理)
   3.4.3 いろいろな集団学習
   3.4.4 バイアス・バリアンス分解
   3.4.5 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)


 4 付録資料

  4.1 Pythonの基本操作ガイド
  4.2 Rの基本操作ガイド
  4.3 RとPythonを連携して使うテクニック




 お1人様      受講申込要領 1口(1社3名まで) 受講申込要領  セミナー 総合日程 画像認識 セミナー日程 新宣伝 セミナー日程