時系列データ解析・モデル化手法の基礎と予測・検知への応用 ~デモ付~

~ 時系列解析の基礎と代表的モデル (AR・ARMA・ARIMA)、機械学習による学習力の強化、決定木・集団学習による予測精度向上手法 ~

・時系列解析の基礎的な手法から、より高度な技術まで、図解とデモを交えて習得する講座!

・時系列データの代表的なアルゴリズムや機械学習の活用、モデル化手法を学び、将来予測、異常検知、制御などの実務に活かそう!

 

デモで紹介するファイルは、セミナー後に受け取ることができます

講師の言葉

 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。

 そこで今回のセミナーでは「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、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。

 なお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、復習にご活用いただけます。

セミナー詳細

開催日時
  • 2019年04月05日(金) 10:30 ~ 17:30
開催場所 日本テクノセンター研修室
カテゴリー ソフト・データ・画像・デザイン
受講対象者 ・ものづくり企業、ソフトウェア関連企業、金融関連、公共機関などの方でデータ解析に携わる技術者の方
予備知識 ・特に必要ございません。確率統計の基礎(高校程度)があると万全です
修得知識 ・時系列データを定量的かつ定性的に分類できる
・時系列データをモデル化し、予測や異常検知に活用できる
・過学習を考慮した適切な予測モデルを機械学習できる
・「線形/非戦形」「定常/非定常」「無相関/独立」の違いを理解できる
・「相関/因果/非独立」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
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).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(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).平均値 (期待値) の推定

    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).分散値 (リスク) の推定

    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

  (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(集合知定理)

    c.いろいろな集団学習 (バギング、ランダムフォレスト、勾配ブースティング)

  (5).機械学習による異常検知

    a.k近傍法の場合

    b.決定木の場合

    c.ニューラルネットワークの場合

 

付録資料

  (1).フリーソフトRの基本操作ガイド

  (2).PythonとRの連携方法

  (3).今回のセミナーをPythonで実装する場合

キーワード 時系列データ 相関性 非独立性 時間遅れ ランダムウォーク 確率的トレンド 確定的トレンド ARモデル ARMAモデル ARIMAモデル モンテカルロシミュレーション 異常検知 k近傍法 ニューラルネットワーク 次元の呪い 決定木 集団学習 バギング ランダムフォレスト
タグ 統計・データ解析データ解析統計・データ
受講料 一般 (1名):48,600円(税込)
同時複数申込の場合(1名):43,200円(税込)
会場
日本テクノセンター研修室
〒 163-0722 東京都新宿区西新宿2-7-1 小田急第一生命ビル(22階)
- JR「新宿駅」西口から徒歩10分
- 東京メトロ丸ノ内線「西新宿駅」から徒歩8分
- 都営大江戸線「都庁前駅」から徒歩5分
電話番号 : 03-5322-5888
FAX : 03-5322-5666
こちらのセミナーは受付を終了しました。
次回開催のお知らせや、類似セミナーに関する情報を希望される方は、以下よりお問合せ下さい。
contact us contact us
各種お問い合わせは、お電話でも受け付けております。
03-5322-5888

営業時間 月~金:9:00~17:00 / 定休日:土日・祝日