「時系列データ」を対象に、
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!

 

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長 教授 博士(理学)  鈴木 智也 氏
【ご専門】
時系列解析、機械学習、金融工学、集合知
【ご経歴・ご活躍】
 平成17年東京理科大学大学院理学研究科物理学専攻博士課程修了。理博。同年 東京電機大学工学部電子工学科助手、平成18年より同志社大学工学部情報システムデザイン学科専任講師、平成21年より茨城大学工学部知能システム工学科准教授を経て、平成28年より同大学教授、現在に至る。
 平成29年より大和証券投資信託委託 (株) 特任主席研究員、平成30年よりCollabWiz (株) 代表取締役を兼務.IFTA国際検定テクニカルアナリスト(MFTA)。非線形時系列解析、複雑系、機械学習、金融工学に関する研究に従事。電子情報通信学会、情報処理学会、人工知能学会、日本テクニカルアナリスト協会、日本証券アナリスト協会 各会員。

セミナー受講料

55,000円(税込、昼食・資料付)
■ セミナー主催者からの会員登録をしていただいた場合、1名で申込の場合49,500円、
  2名同時申込の場合計55,000円(2人目無料:1名あたり27,500円)で受講できます。
  備考欄に「会員登録希望」と希望の案内方法【メールまたは郵送】を記入ください。
(セミナーのお申し込みと同時に会員登録をさせていただきますので、
   今回の受講料から会員価格を適用いたします。)
※ 2019年10月1日以降に開催されるセミナーの受講料は、お申込みいただく時期に関わらず
  消費税が10%になります。
※ 会員登録とは
  ご登録いただきますと、セミナーや書籍などの商品をご案内させていただきます。
  すべて無料で年会費・更新料・登録費は一切掛かりません。

セミナー趣旨

 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。

受講対象・レベル

製造業、ソフトウェア関連企業、金融関連、公共機関等の方でデータ解析に携わる技術者の方

必要な予備知識

特に予備知識は必要ありません。基礎から解説いたします

習得できる知識

・時系列データの特徴を定量化し、数学的に表現(モデル化)できる
・機械学習モデルを用いて、高度な予測や異常検知をプログラミングできる

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)
 1-1. ランダムか?法則的か?
  (1) 確率論的モデルと決定論的モデル
  (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) 相関性と非独立性(非線形相関)の違い
  (2) 非独立性の確認(連検定,BDSテスト,相互情報量, MIC)
  (3) 相関性の確認(相関係数,自己相関関数)
  (4) 疑似相関に注意 (偏相関係数)
  (5) 偏自己相関関数
 1-3. 他から影響を受けるか?
  (1) 同時刻の関係(相関性と非独立性の違い)
  (2) 時間遅れを伴う関係(相関性と因果性の違い)
  (3) 相関性の確認(相互相関関数)
  (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
  (1) 確率的トレンドと確定的トレンド
  (2) 定常性と非定常性
  (3) 定常化と単位根検定
  (4) トレンド成分と季節成分の分解
 2-2. 定常モデル
  (1) AR(自己回帰)モデル
  (2) 過学習を防ぐAIC (赤池情報量基準)
  (3) ARMA(自己回帰移動平均)モデル
  (4) ARIMA(自己回帰和分移動平均)モデル
  (5) SARIMA(季節自己回帰和分移動平均)モデル
  (6) 残差診断
 2-3. 非定常モデル (分散変動モデル)
  (1) ARCH モデル
  (2) GARCH モデル
  (3) ARIMA-GARCH モデル
 2-4. 将来予測への応用
  (1) モンテカルロシミュレーションによる長期予測
  (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
  (1) 予測モデルを使う方法
  (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
  (1) 重回帰分析から「非線形重回帰分析」へ
  (2) 最も手軽なのに高性能な「k近傍法」
  (3) 機械学習の失敗につながる「次元の呪い」
  (4) 交差確認法 (CV法)
  (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
  (1) 単一ニューロンモデルの学習則(最急勾配法)
  (2) ニューラルネットワークの学習則(逆誤差伝搬法)
  (3) 多層ニューラルネットの問題点(勾配消失問題,過学習)
  (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
  (1) 因果関係が分かりやすいIf−Thenルール
  (2) 情報エントロピーを低下させる
 3-4. 集団学習
  (1) 多数決で予測精度を向上させる(集合知)
  (2) 予測精度が向上する理由(集合知定理)
  (3) いろいろな集団学習
  (4) バイアス・バリアンス分解
  (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)
 3-5. 機械学習による異常検知

 【質疑応答・名刺交換】