【中止】時系列データ分析のすすめ方～基礎分析・説明モデル・予測や異常検知への機械学習活用まで～

セミナー趣旨

＊本セミナーでは、Pythonによる実習は行いません（座学のみ）。
　講師によるプログラムの実演のみとなりますので、ご承知置き下さい（当日使用したプログラムは、後日配布します）。

　近年、人工知能（AI）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。
　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。
　こちらの講座は、初学者大歓迎です。時系列データ分析にとって重要なポイントを1日で整理します。
　数学的な厳密さよりも分かり易さを重要視するため、市販テキストとは異なるアプローチで解説します。さらに具体的なデータ・プログラム・実行結果を示し、図解を多用します。解説のみに終始せず、Pythonによる実践方法も交え実演紹介します。
　プログラムは全て配布しますので、後日の復習やご自身の業務にご活用いただけます。
　Python未経験でも構いません。デモプログラムは極力シンプルに記述します。ライブラリーを用いた便利な方法や、フリーソフトRと連携することでPythonが苦手な項目についてもサポートします。

＊付録資料として、下記を配布致します。
　　(1) Pythonの基本操作ガイド
　　(2) Rの基本操作ガイド
　　(3) PythonとRを連携して使うテクニック

受講対象・レベル

・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
・PythonやR言語にご関心がある方
　など

習得できる知識

・時系列データの特徴を定量化できる
・時系列データの法則を定式化できる
・機械学習によって予測モデルを構築できる
・集団学習によって予測モデルを高度化できる
・デモプログラムをご自身の業務に活用できる
　など

セミナープログラム

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（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）

2．時系列データの法則を数式で表現する（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) 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. 機械学習を使わない方法
　　b. 機械学習を使う方法
　　c. 異常検知の閾値の決め方

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. 交差検証法（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（誤差逆伝播法）
　　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. 再帰型ニューラルネットワーク（RNN、LSTM）
　(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
　　d. バイアス・バリアンス分解
　　e. 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）
　　f. 自信度の推計（コンセンサスレシオ）
　(5) 機械学習による異常検知
　　a. 各種方法の実装例
　　　（近傍法／決定木／ニューラルネットワークの場合）
　　b. ライブラリーで機械学習を切替える

　　＜質疑応答＞

○過去の同セミナー参加者の声：
　・内容が充実していて良かった。
　・面白かった！今まで意味不明だったことが良く分かった。
　・とてもわかりやすい講義でした（モデルの特徴や使い方）。
　・ニューラルネットの本質がわかった。
　・時系列以外にも、多くの知識を獲得できた。お得だった。
　等

セミナー講師

茨城大学大学院 理工学研究科 機械システム工学領域 教授 博士（理学）鈴木 智也 先生

セミナー受講料

1名49,500円(税込（消費税10％）、資料付)
　＊1社2名以上同時申込の場合、1名につき38,500円
　＊学校法人割引；学生、教員のご参加は受講料50％割引。

※新型コロナウイルスの感染防止の一環として当面の間、昼食の提供サービスは中止させて頂きます。