ベイズ統計によるデータ分析のすすめ方【入門講座】～ベイズ統計の基本から各モデリング手法の理解・実践まで～

セミナー趣旨

  今や世界の最も貴重な資源は石油ではなくデータです。IoTやスマートデバイスの進展により様々な機器から得られる多種多様なビッグデータ。これらの分析と利活用においてベイズ統計や機械学習が注目を集めています。
  ベイズ統計は条件付き確率に基いて推測するという一貫した考え方ですので、基本的な考え方が理解できれば様々な場面に応用できます。そこで本講座では、様々な職種・業務の方が理解しやすいようにシンプルな活用例をとりあげ、ベイズ統計及びベイズモデリングの基本的な考え方をわかりやすく学んでいきます。
  前半では実際に簡単な確率計算を通じて理解を深めていきます。また、後半では、現実の課題解決に直結するベイズモデリングの基礎を習得し、事前の知識をデータに織り交ぜる術を学びます。広告効果の確率評価や最適な購入台数の決定などの例を通じて、実務に役立つスキルも身につけましょう。Rのサンプルプログラム（受講者のみ限定配布）も利用し、ベイズ統計の各モデリング手法とRstanによるデータ分析・予測の実践例も最後に紹介します。

受講対象・レベル

・ベイズ統計の基本について効率よく学びたい研究者、実務の方（業種や職種は問いません）
・ベイズ統計に基いたデータ分析や活用方法に興味がある研究者、実務の方（業種や職種は問いません）
・各種ソフトやツールを利用してベイズ分析を行っており基本的な部分をしっかりと理解したい方
　など

習得できる知識

・ベイズ統計を用いてどのようなことが可能か従来の統計的手法との違い
・ベイズ統計に基いたデータ分析の基本的な方法、考え方
・ベイズモデリングと予測分布の基本的な方法、考え方
・ベイズ決定理論に沿った意思決定の基本的な方法、考え方
・マルコフ連鎖モンテカルロ法の基本
・ベイズ統計モデリングの各手法とデータ分析実践例
　など

セミナープログラム

1．イントロダクション：ベイズ統計でなにができるようになるか
　（1）原発でのポンプ故障率の分析例 （階層ベイズモデル）
2．条件付き確率とベイズの定理
　（1）確率分布と期待値、分散
　（2）条件付き確率、独立性
　（3）条件付き確率を活用する
　　　ａ．確率と条件付き確率の違い
　　　ｂ．窓口OL問題 (モンティ・ホール問題)
　（4）ベイズの定理とその応用
　　　ａ．ベイズの定理と全確率の公式
　　　ｂ．応用例: がん診断
　（5）機械学習への応用
　　　ａ．迷惑メールフィルタ
　　　ｂ．演習: 迷惑メールの確率計算
　　　ｃ. 機械学習の考え方
3．ベイズ統計入門
　（1）統計モデル
　　　ａ．推測統計でのデータの解釈
　　　ｂ．母集団と統計モデル
　　　ｃ．モデルの明示
　　　ｄ．基本的なデータ分析の流れ
　（2）事前分布の導入
　　　ａ．パラメータの不確実性の表現
　　　ｂ．データから計算したい条件付き確率
　　　ｃ．事前分布の導入
　（3）事後分布
　　　ａ．事後分布の定義
　　　ｂ．演習: 事後分布の計算
4．事後分布に基いた統計推測
　（1）事前分布の設定の仕方
　（2）共役事前分布
　　　ａ．共役事前分布
　　　ｂ．二項分布＋ベータ分布
　　　ｃ．ポアソン分布＋ガンマ分布
　　　ｄ．正規分布＋正規分布
　（3）事後分布に基いたパラメータ推定
　　　ａ．ベイズ分析の報告の基本
　　　ｂ．点推定
　　　ｃ．信用区間
5．ベイズモデリングと予測分布
　（1）広告効果を確率で評価する
　　　ａ．問題設定
　　　ｂ．統計モデルの設定
　　　ｃ．事前分布の設定
　　　ｄ．分析結果
　（2）新規店舗の売上を分布で予測する
　　　 a.  問題設定と統計モデル
　　　 b.  予測分布
　　　 c.  分析結果
　（3）期待損失最小化で中古PCの追加購入台数を決める
　　　ａ．問題設定
　　　ｂ．損失関数
　　　ｃ．決定関数
　　　ｄ．分析結果
6．コンピュータ（計算機）を用いたベイズ分析の実践
　　～各モデリング手法及びRstanによる実装・分析例～
　（1）ベイズ分析ツールRstanについて
　（2）モンテカルロ法
　　　ａ．ベイズ分析に必要な計算
　　　ｂ．モンテカルロサンプリング
　　　ｃ．モンテカルロ積分
　　　ｄ．IIDサンプル(理想的なモンテカルロサンプル)
　（3）マルコフ連鎖と定常分布
　　　ａ．マルコフ連鎖の例: 1次元ランダムウオーク
　　　ｂ．1次元山登りウオーク
　　　ｃ．定常分布
　（4）マルコフ連鎖モンテカルロ法(MCMC法)
　　　ａ．メトロポリス・ヘイスティングス法(MH法)のアルゴリズム
　　　ｂ．MH法の実装例とMCMCサンプル
　　　ｃ．ギブス・サンプリングの概要
　　　ｄ．ギブス・サンプリングのアルゴリズム
　（5）階層ベイズモデルとその分析例
　　　 a.  問題設定
　　　 b.  統計モデルの設定
　　　 c.  事前分布の設定
　　　 d.  分析結果
　（6）一般化線形モデルとその分析例
　　　 a.  問題設定
　　　 b.  統計モデルの設定
　　　 c.  事前分布の設定
　　　 d.  分析結果
　（7）状態空間モデルとその分析例
　　　 a. 問題設定
　　　 b. 統計モデルの設定
　　　 c. 事前分布の設定
　　　 d. 分析結果
　　＜質疑応答＞

セミナー講師

 国立大学法人 大阪大学 全学教育推進機構 全学教育企画開発部 全学共通教育部門 教授
 量子情報・量子生命研究センター（兼任）博士 (情報理工)　　田中 冬彦 先生

■ご略歴
2007年3月　東京大学大学院情報理工学系研究科　博士取得
2007年4月～2009年3月　東京大学大学院　情報理工学系研究科　助教
2009年4月～2011年3月　（独）科学技術振興機構　さきがけ専任研究者
2011年4月～2013年9月　東京大学大学院　情報理工学系研究科　助教
2013年10月～2022年3月　大阪大学大学院　基礎工学研究科　准教授
現在、大阪大学にて
「統計モデリング」「統計学C-II(工学部1年次)」「データ科学による課題解決入門」を講義

セミナー受講料

【オンラインセミナー（見逃し視聴なし）】：1名47,300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36,300円

【オンラインセミナー（見逃し視聴あり）】：1名52,800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41,800円

＊学校法人割引；学生、教員のご参加は受講料50％割引。

受講について

• 配布資料はPDF等のデータで送付予定です。受取方法はメールでご案内致します。
  （開催1週前～前日までには送付致します）
  ※準備の都合上、開催1営業日前の12:00までにお申し込みをお願い致します。
  （土、日、祝日は営業日としてカウント致しません。）
• 受講にあたってこちらをご確認の上、お申し込みください。
• Zoomを使用したオンラインセミナーです
  →環境の確認についてこちらからご確認ください
• 申込み時に（見逃し視聴有り）を選択された方は、見逃し視聴が可能です
  →こちらをご確認ください
• 動画配信サイトVimeoを用いて同時ストリーミング配信でご視聴頂けます
  こちらの形式での受講が可能なセミナーの場合のみ、ご希望の方は備考欄に【Zoom不可・ライブ配信希望】と記載下さい。