Python使った時系列データ分析

【講師】

鈴木智也氏：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））

【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？
　　　1.1.1　確率論的モデルと決定論的モデル
　　　1.1.2　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？
　　　1.2.1　相関性と非独立性（非線形相関）の違い
　　　1.2.2　非独立性の確認（連検定，BDSテスト，相互情報量）
　　　1.2.3　相関性の確認（相関係数，自己相関関数）
　　　1.2.4　疑似相関に注意（偏相関係数）
　　　1.2.5　偏自己相関関数
　　1.3　他から影響を受けるか？
　　　1.3.1　同時刻の関係（相関性と非独立性の違い）
　　　1.3.2　時間遅れを伴う関係（相関性と因果性の違い）
　　　1.3.3　相関性の確認（相互相関関数）
　　　1.3.4　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
　　　2.1.1　確率的トレンドと確定的トレンド
　　　2.1.2　定常性と非定常性
　　　2.1.3　定常化と単位根検定
　　　2.1.4　トレンド成分と季節成分の分解
　　2.2　平均値（期待値）の推定
　　　2.2.1　AR（自己回帰）モデル　　
　　　2.2.2　過学習を防ぐAIC（赤池情報量基準）
　　　2.2.3　ARMA（自己回帰移動平均）モデル
　　　2.2.4　ARIMA（自己回帰和分移動平均）モデル
　　　2.2.5　SARIMA（季節自己回帰和分移動平均）モデル
　　　2.2.6　残差診断
　　2.3　分散値（リスク）の推定
　　　2.3.1　ARCHモデル
　　　2.3.2　GARCHモデル
　　　2.3.3　ARIMA-GARCHモデル
　　2.4　将来予測への応用
　　　2.4.1　モンテカルロシミュレーションによる長期予測
　　　2.4.2　残差の時間構造も考慮する方法
　　2.5　異常検知への応用
　　　2.5.1　予測モデルを使う方法
　　　2.5.2　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
　　　3.1.1　重回帰分析から「非線形重回帰分析」へ
　　　3.1.2　最も手軽なのに高性能な「k近傍法」
　　　3.1.3　機械学習の失敗につながる「次元の呪い」
　　　3.1.4　交差確認法（CV法）
　　　3.1.5　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
　　　3.2.1　単一ニューロンモデルの学習則（最急勾配法）
　　　3.2.2　ニューラルネットワークの学習則（逆誤差伝搬法）
　　　3.2.3　多層ニューラルネットの問題点（勾配消失問題，過学習）
　　　3.2.4　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
　　　3.3.1　因果関係が分かりやすいIf−Thenルール
　　　3.3.2　情報エントロピーを低下させる
　　3.4　集団学習
　　　3.4.1　多数決で予測精度を向上させる
　　　3.4.2　予測精度が向上する理由（集合知定理）
　　　3.4.3　いろいろな集団学習
　　　3.4.4　バイアス・バリアンス分解
　　　3.4.5　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
　　　3.5.1　k近傍法の場合
　　　3.5.2　決定木の場合
　　　3.5.3　ニューラルネットワークの場合

　4　付録資料

　　4.1　Pythonの基本操作ガイド
　　4.2　Rの基本操作ガイド
　　4.3　PythonとRを連携して使うテクニック

【受講料】

・お1人受講の場合　47,000円[税別]／1名
・1口でお申込の場合　57,000円[税別]／1口（3名まで受講可能）

　受講申込ページで2～3名を同時に申し込んだ場合、自動的に1口申し込みと致します。