～ 時系列予測モデルの構築手順、時系列モデル（ARIMA・Prophet）および機械学習（線形回帰・決定木・XGBoost）による予測法、異常検知・要因分析への応用 ～
・用途に合わせたデータ解析技術とその活用方法を修得し、成果につなげるための講座！
・時系列モデルや機械学習手法を用いた時系列データ解析技術を修得し、需要予測、異常検知、要因分析への応用に活かそう！
・デモで紹介するPythonのコードを差し上げます
・ＷＥＢ会議システムの使い方がご不明の方は弊社でご説明いたしますのでお気軽にご相談ください。
世の中は時系列データに溢れています。例えば、売上データや申込者数、PV（ページビュー）数、センサーデータなどは、全て時間という概念の紐付いた時系列データです。受注予測や離反予測、故障予測や異常予兆検知などは、時間の流れの中で予測するものです。
本講座では、ビジネスの実務で使える時系列解析を習得することを目指しています。
| 開催日時 |
|
|---|---|
| 開催場所 | オンラインセミナー |
| カテゴリー | オンラインセミナー、ソフト・データ・画像・デザイン |
| 受講対象者 |
・製造業、エンジニアリング企業、素材、インフラ、設備、発電関連、観測機関、IT企業の技術者、研究者の方 ・ビジネス領域（事業戦略、技術マーケティングなど）や生産・調達・開発領域で時系列データに向き合っている方 |
| 予備知識 | ・高等学校の数理統計学の知識、プログラミングの基本的な知識（言語は問わない） |
| 修得知識 |
・ビジネスで時系列データを活用し成果を出す方法論 ・時系列予測の基礎（例：時系列特徴量、時系列予測モデルの構築手順、時系列系の数理モデル、など） ・テーブルデータ系の数理モデル（例：線形回帰モデルやランダムフォレストなど）を使って時系列予測する方法 |
| プログラム |
１．業務における時系列データの活用 （１）．データでビジネス成果を上げる「データ活用ストーリー」 （２）．アクションを生み出す「傾向分析」×「近未来分析」
２．時系列機械学習の基礎 （１）．テーブルデータと時系列データ （２）．時系列特徴量 （３）．時系列予測モデルの構築手順
３．時系列モデル、予測モデル【Pythonによる実演】 （１）．Python環境の構築 （２）．時系列モデルで予測する ａ．Holt－Winter’s Seasonal Smoothing model（ホルト－ウィンターズ法モデル） ｂ．ARIMAモデル ｃ．Prophetモデル ｄ．時系列ディープラーニングモデル （３）．テーブルデータ系アルゴリズムで予測する：機械学習で予測する ａ．線形回帰モデル ｂ．決定木（ディシジョンツリー）モデル ｃ．ランダムフォレストモデル ｄ．XGBoostモデル ｃ．自動機械学習AutoMLで構築する時系列モデル
４．現状のモニタリング（異常検知や要因分析）と将来予測への応用 （１）．異常検知 ａ．過去 ｂ．リアルタイム （２）．要因分析 ａ．交差相関 ｂ．因果探索 （３）．予測モデルの活用方法 ａ．数値予測（例：売上やPV数など） ｂ．イベント予測（例：離反や故障など） （４）．用途に合わせた手法の使い分け方
５．まとめ （１）．本日の振り返り （２）．質疑応答 |
| キーワード | 時系列データ 傾向分析 近未来分析 テーブルデータ 時系列データ ARIMAモデル Prophetモデル 時系列ディープラーニングモデル 線形回帰モデル 決定木モデル ランダムフォレストモデル XGBoostモデル AutoML 異常検知 要因分析 数値予測 |
| タグ | 統計・データ解析、AI・機械学習、データ解析 |
| 受講料 |
一般 (1名)：49,500円(税込)
同時複数申込の場合(1名)：44,000円(税込) |
| 会場 |
オンラインセミナー本セミナーは、Web会議システムを使用したオンラインセミナーとして開催します。 |
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。
営業時間 月~金：9:00～17:00 / 定休日：土日・祝日
