SlideShare ist ein Scribd-Unternehmen logo
1 von 74
『手を動かしながら学ぶ ビジネスに活かす データマイニング』で目指したもの・学んで もらいたいもの 
株式会社リクルートコミュニケーションズ ICTソリューション局 
アドテクノロジーサービス開発部 尾崎 隆
本日のお題 
最近本を出しました
内容はこんな感じです 
1.データマイニングとは 
2.Rを使ってみよう 
3.その2つのデータ,本当に差があるの? ~仮説検定~ 
4.ビールの生産計画を立てよう ~重回帰分析~ 
5.自社サービス登録会員をグループ分けしてみよう ~クラスタリング~ 
6.コンバージョン率を引き上げる要因はどこに? ~ロジスティック回帰~ 
7.どのキャンペーンページが効果的だったのか? ~決定木~ 
8.新規ユーザーの属性データから今後のアクティブユーザー数を予測しよう ~SVM/ランダムフォレスト~ 
9.ECサイトの購入カテゴリデータから何が見える? ~アソシエーション 分析~ 
10.Rでさらに広がるデータマイニングの世界 ~その他の分析メソッドにつ いて~
内容はこんな感じです 
1.データマイニングとは 
2.Rを使ってみよう 
3.その2つのデータ,本当に差があるの? ~仮説検定~ 
4.ビールの生産計画を立てよう ~重回帰分析~ 
5.自社サービス登録会員をグループ分けしてみよう ~クラスタリング~ 
6.コンバージョン率を引き上げる要因はどこに? ~ロジスティック回帰~ 
7.どのキャンペーンページが効果的だったのか? ~決定木~ 
8.新規ユーザーの属性データから今後のアクティブユーザー数を予測しよう ~SVM/ランダムフォレスト~ 
9.ECサイトの購入カテゴリデータから何が見える? ~アソシエーション 分析~ 
10.Rでさらに広がるデータマイニングの世界 ~その他の分析メソッドにつ いて~
内容はこんな感じです 
1.データマイニングとは 
2.Rを使ってみよう 
3.その2つのデータ,本当に差があるの? ~仮説検定~ 
4.ビールの生産計画を立てよう ~重回帰分析~ 
5.自社サービス登録会員をグループ分けしてみよう ~クラスタリング~ 
6.コンバージョン率を引き上げる要因はどこに? ~ロジスティック回帰~ 
7.どのキャンペーンページが効果的だったのか? ~決定木~ 
8.新規ユーザーの属性データから今後のアクティブユーザー数を予測しよう ~SVM/ランダムフォレスト~ 
9.ECサイトの購入カテゴリデータから何が見える? ~アソシエーション 分析~ 
10.Rでさらに広がるデータマイニングの世界 ~その他の分析メソッドにつ いて~ 
データマイニングとRの紹介
内容はこんな感じです 
1.データマイニングとは 
2.Rを使ってみよう 
3.その2つのデータ,本当に差があるの? ~仮説検定~ 
4.ビールの生産計画を立てよう ~重回帰分析~ 
5.自社サービス登録会員をグループ分けしてみよう ~クラスタリング~ 
6.コンバージョン率を引き上げる要因はどこに? ~ロジスティック回帰~ 
7.どのキャンペーンページが効果的だったのか? ~決定木~ 
8.新規ユーザーの属性データから今後のアクティブユーザー数を予測しよう ~SVM/ランダムフォレスト~ 
9.ECサイトの購入カテゴリデータから何が見える? ~アソシエーション 分析~ 
10.Rでさらに広がるデータマイニングの世界 ~その他の分析メソッドにつ いて~ 
統計学の基礎と応用
内容はこんな感じです 
1.データマイニングとは 
2.Rを使ってみよう 
3.その2つのデータ,本当に差があるの? ~仮説検定~ 
4.ビールの生産計画を立てよう ~重回帰分析~ 
5.自社サービス登録会員をグループ分けしてみよう ~クラスタリング~ 
6.コンバージョン率を引き上げる要因はどこに? ~ロジスティック回帰~ 
7.どのキャンペーンページが効果的だったのか? ~決定木~ 
8.新規ユーザーの属性データから今後のアクティブユーザー数を予測しよう ~SVM/ランダムフォレスト~ 
9.ECサイトの購入カテゴリデータから何が見える? ~アソシエーション 分析~ 
10.Rでさらに広がるデータマイニングの世界 ~その他の分析メソッドにつ いて~ 
機械学習の基礎と応用
内容はこんな感じです 
1.データマイニングとは 
2.Rを使ってみよう 
3.その2つのデータ,本当に差があるの? ~仮説検定~ 
4.ビールの生産計画を立てよう ~重回帰分析~ 
5.自社サービス登録会員をグループ分けしてみよう ~クラスタリング~ 
6.コンバージョン率を引き上げる要因はどこに? ~ロジスティック回帰~ 
7.どのキャンペーンページが効果的だったのか? ~決定木~ 
8.新規ユーザーの属性データから今後のアクティブユーザー数を予測しよう ~SVM/ランダムフォレスト~ 
9.ECサイトの購入カテゴリデータから何が見える? ~アソシエーション 分析~ 
10.Rでさらに広がるデータマイニングの世界 ~その他の分析メソッドにつ いて~ 
古典的データマイニングと発展的課題
しかし… 
解説がないと、やさしく見えて 意外と難しい本だという声多数 
思ったより 難しくね? 
初心者向け にしては… 
後半は結構 難しいよー
そこで…
そこで…
最初に踏まえるべき最も基礎的なポイント 
統計学は何をするもの? 
機械学習は何をするもの?
最初に踏まえるべき最も基礎的なポイント 
統計学は何をするもの?
最初に踏まえるべき最も基礎的なポイント 
統計学は何をするもの? 
•例えば… 
•そもそも「集計」とはどう違うのか? 
•統計学を使わなければ分からないことは あるのか?
「集計」と「統計学的分析」の違い 
CVユーザー数の時系列 
3種の広告投下額の時系列 
こんなデータが 
あるとする
「集計」と「統計学的分析」の違い 
7日ごと(週次)に平均値を集計してプロットした 結果からは、何となくトレンドが見えるがイマイチ はっきりしない
本当にそれだけ分かればいいの?
ちなみに…
「集計」と「統計学的分析」の違い 
(線形)重回帰分析を行っても、トレンドが説明できない
「集計」と「統計学的分析」の違い 
ベイジアンモデリングで二階トレンドつきモデルをやってみる 
(※動的線形モデルならもっと簡単にやれます&単に将来の発展に備えてMCサンプラー入れただけです) 
広告予算1 
広告予算2 
広告予算3 
日次 CV数 
a 
b 
c 
正規線形モデル 
オフセット項d 
累積トレンド項 cum_trend 
+ 
ベイジアン 
モデリング 
トレンド項trend 
Σ
「集計」と「統計学的分析」の違い 
3種類の広告それぞれの 
効果の比 
相関係数 
0.99 
階層ベイズモデルにより、トレンドを表現した上で正確にモデリング 
※サンプルデータ作る時にノイズ乗せ忘れましたごめんなさい
「集計」と「統計学的分析」の違い 
トレンド自体が時期ごとで変化している様子 までもがモデリングされる 
相関係数 
0.99
「集計」と「統計学的分析」の違い 
統計学は何をするもの?
「集計」と「統計学的分析」の違い 
統計学は何をするもの? 
「集計」では分からないような、 ノイズに埋もれた「真の値」を推定 するためのもの
最初に踏まえるべき最も基礎的なポイント 
統計学は何をするもの? 
機械学習は何をするもの?
最初に踏まえるべき最も基礎的なポイントagain 
機械学習は何をするもの?
最初に踏まえるべき最も基礎的なポイントagain 
機械学習は何をするもの? 
•例えば… 
•普通にコード書いて処理するのとは どう違うのか? 
•そもそも「何」を学習するのか?
28 
分かりやすいパーセプトロンを例に
「学習する」ということ 
•例えば識別モデル系であれば「識別関数」 の値の大小で分類する。 
푦=풘푇풙 
29
「学習する」ということ 
•例えば識別モデル系であれば「識別関数」 の値の大小で分類する。 
푦=풘푇풙 
30 
返値 
(「±の符号」が大事!) 
重みベクトル 
(こいつが学習結果) 
入力信号 
(これから識別したいもの)
「学習する」ということ 
•「識別関数」の値の大小で分類するとは どういうこと? 
푦=풘푇풙 
31
「学習する」ということ 
•識別関数から見て「どちら側か」で分類 するということ 
푦=풘푇풙 
32
「学習する」ということ 
•例としてここではメールのSPAM判定を 想定する。 
푦=풘푇풙 
33 
返値 
(正なら非SPAM 
負ならSPAM) 
重みベクトル 
入力信号 
(メールの単語頻度)
「学習する」ということ 
•まず、入力信号の例。 「メールの単語頻度」と仮定する。 
풙= 「会議」という語の数 「目標」という語の数 「お買い得」という語の数 = 210 
34
「学習する」ということ 
•次に、重み信号の例。 
풘= 푤1 푤2 푤3= 11−1 
35
「学習する」ということ 
•次に、重み信号の例。 
풘= 푤1 푤2 푤3= 11−1 
36 
「会議」は非SPAM 
「目標」は非SPAM 
「お買い得」はSPAM
「学習する」ということ 
•そこで識別関数を計算してみる。 
풚=풘푇풙=11−1210=3 
これは非SPAMだ! 
37
「学習する」ということ 
•ところが、SPAMじゃないはずなのにこう いうメールが来たら? 
풙= 「会議」という語の数 「目標」という語の数 「お買い得」という語の数 = 113 
38
「学習する」ということ 
•識別関数を計算してみると… 
풚=풘푇풙=11−1113=−1 
あれ?非SPAMのはずなのに SPAM判定だ! 
39
「学習する」ということ 
•識別関数を計算してみると… 
풚=풘푇풙=11−1113=−1 
あれ?非SPAMのはずなのに SPAM判定だ! 
これは重みベクトルを変えなきゃ! 
40
「学習する」ということ 
•そこで、重み信号を以下のように更新する。 풘풏풆풘=풘표푙푑+휇 113= 11−1+ 휇 휇 3휇 = 1+휇 1+휇 −1+3휇 
(휇は学習係数) 
41 
誤判定した時の入力信号の値
「学習する」ということ 
•例えば学習係数휇が0.2なら… 풘풏풆풘= 1+휇 1+휇 −1+3휇 = 1.21.2−0.4 
42
「学習する」ということ 
•改めて同じ入力信号で識別関数を計算して みると… 
풚=풘푇풙=1.21.2−0.4113=1.2 
非SPAMだと正しく判定された! 
43
「学習する」ということ 
•改めて同じ入力信号で識別関数を計算して みると… 
풚=풘푇풙=1.21.2−0.4113=1.2 
非SPAMだと正しく判定された! 
こんな感じでパーセプトロンは学習していく。 
44
最初に踏まえるべき最も基礎的なポイントagain 
機械学習は何をするもの?
最初に踏まえるべき最も基礎的なポイントagain 
機械学習は何をするもの? 
学習データに基づいてパラメータ を順次変えていくことで自動的に (例えば)分類するもの
ここからは拙著の各章のポイントを 駆け足で紹介します
第1章 
データマイニングとは
第1章 データマイニングとは 
「分布」の概念を 覚えましょう!
第2章 
Rを使ってみよう
第2章 Rを使ってみよう 
1.Linuxへのインストールはしんどいかも…。 
2.コーディング苦手でも大丈夫です。ここで forとifを取り上げていますが、実はこの後 一度もforもifも出てきません。
第3章 
その2つのデータ、 
本当に差があるの? 
~仮説検定~
第3章 仮説検定 
表3-2 
表3-3 
真の分布をシミュレート 
してみると、A/Bテスト 
の「集計値」を鵜呑みに 
してはいけないことが分 
かります。 
特に大事なのが、 
カイ二乗検定と 
A/Bテストの下り。
第4章 
ビールの生産計画 
を立てよう 
~重回帰分析~
第4章 重回帰分析 
푓(푦푖)~훽0+훽1푥1푖+훽2푥2푖+훽3푥3푖+훽4푥4푖+⋯훽푛푥푛푖 
CV数を適切に数理的に変換 
してモデルの精度を上げる 
102 
78 
91 
84 
110 
CV数 
1 
2 
0 
1 
3 
広告1 
3 
0 
2 
1 
4 
広告2 
0 
1 
0 
0 
1 
広告3 
2 
1 
2 
1 
2 
広告4 
1 
3 
3 
2 
3 
広告n 
このβたちを推定する
第4章 重回帰分析 
푓(푦푖)←훽0+훽1푥1푖+훽2푥2푖+훽3푥3푖+훽4푥4푖+⋯훽푛푥푛푖 
CV数を適切に数理的に変換 
してモデルの精度を上げる 
105 
予測CV数 
1 
広告1 
4 
広告2 
0 
広告3 
2 
広告4 
3 
広告n 
このβたちから逆に CV数を予測できる 
事前に計画された広告出稿計画
第5章 
自社サービス登録 
会員をグループ分け 
してみよう 
~クラスタリング~
第5章 クラスタリング 
ここでは「似ている・ 似ていない」を表す 「距離」という考え方 への理解が大事。 
これさえ分かればどの クラスタリングについ てもイメージを思い描 くことができるはず。
第6章 コンバージョン率を 引き上げる要因は どこに? ~ロジスティック回帰~
第6章 ロジスティック回帰 
푓(푦푖)~훽0+훽1푥1푖+훽2푥2푖+훽3푥3푖+훽4푥4푖+⋯훽푛푥푛푖 
CVRを適切に数理 的に変換してモデル の精度を上げる 
0.2 
0.01 
0 
0.02 
0.3 
CVR 
1 
2 
0 
1 
3 
広告1 
3 
0 
2 
1 
4 
広告2 
0 
1 
0 
0 
1 
広告3 
2 
1 
2 
1 
2 
広告4 
1 
3 
3 
2 
3 
広告n 
このβたちを推定する
第6章 ロジスティック回帰 
直線(いわゆる普通の重回帰分析) では当てはまらないからこそ、ここ で学ぶ一般化線形モデル(ロジス ティック回帰)を使うということへ の理解が大事。 
一般化線形モデル全体 については難解なので 第10章で軽くまとめて あります。
第7章 
どのキャンペーンページが 効果的だったのか? 
~決定木~
第7章 決定木 
非常に簡単な構造の機械学習で、なおかつ計算負荷も軽 いということを知っておけば概ねOK。
第8章 
新規ユーザーの属性データ から今後のアクティブ 
ユーザー数を予測しよう ~SVM/ 
ランダムフォレスト~
第8章 SVM / ランダムフォレスト 
マージン最大化 
カーネルトリック 
2つの基礎を 組み合わせた ものがSVM
第8章 SVM / ランダムフォレスト 
ランダムフォレスト 
=決定木+相関低減バギング
第9章 ECサイトの購入カテゴリ データから何が見える? ~アソシエーション分析~
第9章 アソシエーション分析 
Support 
Confidence 
Lift 
とっつきにくいかもしれませんが、 
これだけは覚えてください。
第9章 アソシエーション分析 
本命はこちらのグラフ表現。 
データマイニング+アドホック分析の本流。
第10章 Rでさらに広がる データマイニングの世界 ~その他の分析メソッドに ついて~
第10章 その他のデータ分析メソッドについて 
この章は完全に 
尾崎の趣味なので 
忘れて大丈夫です。
最後に、本書全体を通じて
最後に、本書全体を通じて 
発展的内容は、ブログ同様 に出来るだけ脚注やコラム の形でおさめてあります。 
本書の「その先」を目指す には、是非脚注やコラムの 内容にも目を通していただ ければ幸いです。
ということで、 今後本書を題材 にした質疑つき 勉強会が定期的 に開催…される かも?

Más contenido relacionado

Was ist angesagt?

【スクー】業務改善のためのデータサイエンス
【スクー】業務改善のためのデータサイエンス【スクー】業務改善のためのデータサイエンス
【スクー】業務改善のためのデータサイエンスIssei Kurahashi
 
データサイエンティスト協会 木曜勉強会 #09 『意志の力が拓くシステム~最適化の適用事例から見たデータ活用システムの現在と未来~』
データサイエンティスト協会 木曜勉強会 #09 『意志の力が拓くシステム~最適化の適用事例から見たデータ活用システムの現在と未来~』データサイエンティスト協会 木曜勉強会 #09 『意志の力が拓くシステム~最適化の適用事例から見たデータ活用システムの現在と未来~』
データサイエンティスト協会 木曜勉強会 #09 『意志の力が拓くシステム~最適化の適用事例から見たデータ活用システムの現在と未来~』The Japan DataScientist Society
 
TokyoWebmining統計学部 第1回
TokyoWebmining統計学部 第1回TokyoWebmining統計学部 第1回
TokyoWebmining統計学部 第1回Issei Kurahashi
 
何故あなたの機械学習はビジネスを改善出来ないのか?
何故あなたの機械学習はビジネスを改善出来ないのか?何故あなたの機械学習はビジネスを改善出来ないのか?
何故あなたの機械学習はビジネスを改善出来ないのか?Shota Yasui
 
機械学習によるデータ分析まわりのお話
機械学習によるデータ分析まわりのお話機械学習によるデータ分析まわりのお話
機械学習によるデータ分析まわりのお話Ryota Kamoshida
 
データ分析というお仕事のこれまでとこれから(HCMPL2014)
データ分析というお仕事のこれまでとこれから(HCMPL2014)データ分析というお仕事のこれまでとこれから(HCMPL2014)
データ分析というお仕事のこれまでとこれから(HCMPL2014)Takashi J OZAKI
 
セレンディピティと機械学習
セレンディピティと機械学習セレンディピティと機械学習
セレンディピティと機械学習Kei Tateno
 
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual TalksYuya Unno
 
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)Shota Imai
 
[DSO]勉強会_データサイエンス講義_Chapter8
[DSO]勉強会_データサイエンス講義_Chapter8[DSO]勉強会_データサイエンス講義_Chapter8
[DSO]勉強会_データサイエンス講義_Chapter8tatsuyasakaeeda
 
ビジネスの現場のデータ分析における理想と現実
ビジネスの現場のデータ分析における理想と現実ビジネスの現場のデータ分析における理想と現実
ビジネスの現場のデータ分析における理想と現実Takashi J OZAKI
 
重回帰分析で頑張る
重回帰分析で頑張る重回帰分析で頑張る
重回帰分析で頑張るShota Yasui
 
機械学習 入門
機械学習 入門機械学習 入門
機械学習 入門Hayato Maki
 
データサイエンスの全体像とデータサイエンティスト
データサイエンスの全体像とデータサイエンティストデータサイエンスの全体像とデータサイエンティスト
データサイエンスの全体像とデータサイエンティストThe Japan DataScientist Society
 
DARM勉強会第3回 (missing data analysis)
DARM勉強会第3回 (missing data analysis)DARM勉強会第3回 (missing data analysis)
DARM勉強会第3回 (missing data analysis)Masaru Tokuoka
 
20190721 gaussian process
20190721 gaussian process20190721 gaussian process
20190721 gaussian processYoichi Tokita
 
機械学習 / Deep Learning 大全 (1) 機械学習基礎編
機械学習 / Deep Learning 大全 (1) 機械学習基礎編機械学習 / Deep Learning 大全 (1) 機械学習基礎編
機械学習 / Deep Learning 大全 (1) 機械学習基礎編Daiyu Hatakeyama
 
[DSO]勉強会_データサイエンス講義_Chapter5
[DSO]勉強会_データサイエンス講義_Chapter5[DSO]勉強会_データサイエンス講義_Chapter5
[DSO]勉強会_データサイエンス講義_Chapter5tatsuyasakaeeda
 

Was ist angesagt? (20)

【スクー】業務改善のためのデータサイエンス
【スクー】業務改善のためのデータサイエンス【スクー】業務改善のためのデータサイエンス
【スクー】業務改善のためのデータサイエンス
 
おしゃスタat銀座
おしゃスタat銀座おしゃスタat銀座
おしゃスタat銀座
 
データサイエンティスト協会 木曜勉強会 #09 『意志の力が拓くシステム~最適化の適用事例から見たデータ活用システムの現在と未来~』
データサイエンティスト協会 木曜勉強会 #09 『意志の力が拓くシステム~最適化の適用事例から見たデータ活用システムの現在と未来~』データサイエンティスト協会 木曜勉強会 #09 『意志の力が拓くシステム~最適化の適用事例から見たデータ活用システムの現在と未来~』
データサイエンティスト協会 木曜勉強会 #09 『意志の力が拓くシステム~最適化の適用事例から見たデータ活用システムの現在と未来~』
 
TokyoWebmining統計学部 第1回
TokyoWebmining統計学部 第1回TokyoWebmining統計学部 第1回
TokyoWebmining統計学部 第1回
 
何故あなたの機械学習はビジネスを改善出来ないのか?
何故あなたの機械学習はビジネスを改善出来ないのか?何故あなたの機械学習はビジネスを改善出来ないのか?
何故あなたの機械学習はビジネスを改善出来ないのか?
 
機械学習によるデータ分析まわりのお話
機械学習によるデータ分析まわりのお話機械学習によるデータ分析まわりのお話
機械学習によるデータ分析まわりのお話
 
データ分析というお仕事のこれまでとこれから(HCMPL2014)
データ分析というお仕事のこれまでとこれから(HCMPL2014)データ分析というお仕事のこれまでとこれから(HCMPL2014)
データ分析というお仕事のこれまでとこれから(HCMPL2014)
 
データサイエンスの全体像
データサイエンスの全体像データサイエンスの全体像
データサイエンスの全体像
 
セレンディピティと機械学習
セレンディピティと機械学習セレンディピティと機械学習
セレンディピティと機械学習
 
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks
 
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
 
[DSO]勉強会_データサイエンス講義_Chapter8
[DSO]勉強会_データサイエンス講義_Chapter8[DSO]勉強会_データサイエンス講義_Chapter8
[DSO]勉強会_データサイエンス講義_Chapter8
 
ビジネスの現場のデータ分析における理想と現実
ビジネスの現場のデータ分析における理想と現実ビジネスの現場のデータ分析における理想と現実
ビジネスの現場のデータ分析における理想と現実
 
重回帰分析で頑張る
重回帰分析で頑張る重回帰分析で頑張る
重回帰分析で頑張る
 
機械学習 入門
機械学習 入門機械学習 入門
機械学習 入門
 
データサイエンスの全体像とデータサイエンティスト
データサイエンスの全体像とデータサイエンティストデータサイエンスの全体像とデータサイエンティスト
データサイエンスの全体像とデータサイエンティスト
 
DARM勉強会第3回 (missing data analysis)
DARM勉強会第3回 (missing data analysis)DARM勉強会第3回 (missing data analysis)
DARM勉強会第3回 (missing data analysis)
 
20190721 gaussian process
20190721 gaussian process20190721 gaussian process
20190721 gaussian process
 
機械学習 / Deep Learning 大全 (1) 機械学習基礎編
機械学習 / Deep Learning 大全 (1) 機械学習基礎編機械学習 / Deep Learning 大全 (1) 機械学習基礎編
機械学習 / Deep Learning 大全 (1) 機械学習基礎編
 
[DSO]勉強会_データサイエンス講義_Chapter5
[DSO]勉強会_データサイエンス講義_Chapter5[DSO]勉強会_データサイエンス講義_Chapter5
[DSO]勉強会_データサイエンス講義_Chapter5
 

Andere mochten auch

Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014
Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014
Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014Takashi J OZAKI
 
Taste of Wine vs. Data Science
Taste of Wine vs. Data ScienceTaste of Wine vs. Data Science
Taste of Wine vs. Data ScienceTakashi J OZAKI
 
Granger因果による 時系列データの因果推定(因果フェス2015)
Granger因果による時系列データの因果推定(因果フェス2015)Granger因果による時系列データの因果推定(因果フェス2015)
Granger因果による 時系列データの因果推定(因果フェス2015)Takashi J OZAKI
 
直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する
直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する
直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測するTakashi J OZAKI
 
最新業界事情から見るデータサイエンティストの「実像」
最新業界事情から見るデータサイエンティストの「実像」最新業界事情から見るデータサイエンティストの「実像」
最新業界事情から見るデータサイエンティストの「実像」Takashi J OZAKI
 
Visualization of Supervised Learning with {arules} + {arulesViz}
Visualization of Supervised Learning with {arules} + {arulesViz}Visualization of Supervised Learning with {arules} + {arulesViz}
Visualization of Supervised Learning with {arules} + {arulesViz}Takashi J OZAKI
 
計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining
計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining
計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo WebminingTakashi J OZAKI
 
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」Takashi J OZAKI
 
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫るTakashi J OZAKI
 
Rで計量時系列分析~CRANパッケージ総ざらい~
Rで計量時系列分析~CRANパッケージ総ざらい~ Rで計量時系列分析~CRANパッケージ総ざらい~
Rで計量時系列分析~CRANパッケージ総ざらい~ Takashi J OZAKI
 
Tech Lab Paak講演会 20150601
Tech Lab Paak講演会 20150601Tech Lab Paak講演会 20150601
Tech Lab Paak講演会 20150601Takashi J OZAKI
 
R言語で学ぶマーケティング分析 競争ポジショニング戦略
R言語で学ぶマーケティング分析 競争ポジショニング戦略R言語で学ぶマーケティング分析 競争ポジショニング戦略
R言語で学ぶマーケティング分析 競争ポジショニング戦略Yohei Sato
 
Simple perceptron by TJO
Simple perceptron by TJOSimple perceptron by TJO
Simple perceptron by TJOTakashi J OZAKI
 
【Inception-Deck】野球Hack! - Pythonを用いたデータ分析と可視化
【Inception-Deck】野球Hack! - Pythonを用いたデータ分析と可視化【Inception-Deck】野球Hack! - Pythonを用いたデータ分析と可視化
【Inception-Deck】野球Hack! - Pythonを用いたデータ分析と可視化Shinichi Nakagawa
 
行動ターゲティングと嗜好推測
行動ターゲティングと嗜好推測行動ターゲティングと嗜好推測
行動ターゲティングと嗜好推測Ken Yasumatsu
 
第1回多変量解析・標本調査勉強会
第1回多変量解析・標本調査勉強会第1回多変量解析・標本調査勉強会
第1回多変量解析・標本調査勉強会t_inaba_zemi
 
楽天ad4U 行動スキミング広告
楽天ad4U  行動スキミング広告楽天ad4U  行動スキミング広告
楽天ad4U 行動スキミング広告rakuten
 
潜在トピックとネットワーク分析
潜在トピックとネットワーク分析潜在トピックとネットワーク分析
潜在トピックとネットワーク分析s tanaka
 

Andere mochten auch (20)

Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014
Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014
Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014
 
Taste of Wine vs. Data Science
Taste of Wine vs. Data ScienceTaste of Wine vs. Data Science
Taste of Wine vs. Data Science
 
Granger因果による 時系列データの因果推定(因果フェス2015)
Granger因果による時系列データの因果推定(因果フェス2015)Granger因果による時系列データの因果推定(因果フェス2015)
Granger因果による 時系列データの因果推定(因果フェス2015)
 
直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する
直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する
直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する
 
最新業界事情から見るデータサイエンティストの「実像」
最新業界事情から見るデータサイエンティストの「実像」最新業界事情から見るデータサイエンティストの「実像」
最新業界事情から見るデータサイエンティストの「実像」
 
Jc 20141003 tjo
Jc 20141003 tjoJc 20141003 tjo
Jc 20141003 tjo
 
Visualization of Supervised Learning with {arules} + {arulesViz}
Visualization of Supervised Learning with {arules} + {arulesViz}Visualization of Supervised Learning with {arules} + {arulesViz}
Visualization of Supervised Learning with {arules} + {arulesViz}
 
計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining
計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining
計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining
 
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
 
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る
 
Rで計量時系列分析~CRANパッケージ総ざらい~
Rで計量時系列分析~CRANパッケージ総ざらい~ Rで計量時系列分析~CRANパッケージ総ざらい~
Rで計量時系列分析~CRANパッケージ総ざらい~
 
Tech Lab Paak講演会 20150601
Tech Lab Paak講演会 20150601Tech Lab Paak講演会 20150601
Tech Lab Paak講演会 20150601
 
R言語で学ぶマーケティング分析 競争ポジショニング戦略
R言語で学ぶマーケティング分析 競争ポジショニング戦略R言語で学ぶマーケティング分析 競争ポジショニング戦略
R言語で学ぶマーケティング分析 競争ポジショニング戦略
 
Simple perceptron by TJO
Simple perceptron by TJOSimple perceptron by TJO
Simple perceptron by TJO
 
Wab090225a
Wab090225aWab090225a
Wab090225a
 
【Inception-Deck】野球Hack! - Pythonを用いたデータ分析と可視化
【Inception-Deck】野球Hack! - Pythonを用いたデータ分析と可視化【Inception-Deck】野球Hack! - Pythonを用いたデータ分析と可視化
【Inception-Deck】野球Hack! - Pythonを用いたデータ分析と可視化
 
行動ターゲティングと嗜好推測
行動ターゲティングと嗜好推測行動ターゲティングと嗜好推測
行動ターゲティングと嗜好推測
 
第1回多変量解析・標本調査勉強会
第1回多変量解析・標本調査勉強会第1回多変量解析・標本調査勉強会
第1回多変量解析・標本調査勉強会
 
楽天ad4U 行動スキミング広告
楽天ad4U  行動スキミング広告楽天ad4U  行動スキミング広告
楽天ad4U 行動スキミング広告
 
潜在トピックとネットワーク分析
潜在トピックとネットワーク分析潜在トピックとネットワーク分析
潜在トピックとネットワーク分析
 

Ähnlich wie 『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの

データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016
データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016
データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016Tokoroten Nakayama
 
事業の進展とデータマネジメント体制の進歩(+プレトタイプの話)
事業の進展とデータマネジメント体制の進歩(+プレトタイプの話)事業の進展とデータマネジメント体制の進歩(+プレトタイプの話)
事業の進展とデータマネジメント体制の進歩(+プレトタイプの話)Tokoroten Nakayama
 
Tokyo webmining発表資料 20111127
Tokyo webmining発表資料 20111127Tokyo webmining発表資料 20111127
Tokyo webmining発表資料 20111127kan_yukiko
 
Jmrx講演資料0723(配布用)[1]
Jmrx講演資料0723(配布用)[1]Jmrx講演資料0723(配布用)[1]
Jmrx講演資料0723(配布用)[1]Shigeru Kishikawa
 
【schoo WEB-campus】#49業務改善のためのデータサイエンス 先生:倉橋一成
【schoo WEB-campus】#49業務改善のためのデータサイエンス 先生:倉橋一成【schoo WEB-campus】#49業務改善のためのデータサイエンス 先生:倉橋一成
【schoo WEB-campus】#49業務改善のためのデータサイエンス 先生:倉橋一成webcampusschoo
 
マーケティング視点で捉えるアクセス解析 株式会社真摯
マーケティング視点で捉えるアクセス解析 株式会社真摯マーケティング視点で捉えるアクセス解析 株式会社真摯
マーケティング視点で捉えるアクセス解析 株式会社真摯Yasuki Ichishima
 
Webサービスを作る人に伝えたい5つのこと
Webサービスを作る人に伝えたい5つのことWebサービスを作る人に伝えたい5つのこと
Webサービスを作る人に伝えたい5つのことDai Murata
 
図解入門最新マーケティング・リサーチがよーくわかる本(6)
図解入門最新マーケティング・リサーチがよーくわかる本(6)図解入門最新マーケティング・リサーチがよーくわかる本(6)
図解入門最新マーケティング・リサーチがよーくわかる本(6)MROC Japan
 
20180920_【ヒカ☆ラボ】【データサイエンティストが教える 】 機械学習、人工知能を使った「ビジネスになる」アプリケーションの作り方
20180920_【ヒカ☆ラボ】【データサイエンティストが教える 】 機械学習、人工知能を使った「ビジネスになる」アプリケーションの作り方20180920_【ヒカ☆ラボ】【データサイエンティストが教える 】 機械学習、人工知能を使った「ビジネスになる」アプリケーションの作り方
20180920_【ヒカ☆ラボ】【データサイエンティストが教える 】 機械学習、人工知能を使った「ビジネスになる」アプリケーションの作り方Shunsuke Nakamura
 
納涼 和風要求開発小ネタ集
納涼 和風要求開発小ネタ集納涼 和風要求開発小ネタ集
納涼 和風要求開発小ネタ集Kent Ishizawa
 
2012/4/27アクセス解析イニシアチブin名古屋「分析から改善のアクションへ」
2012/4/27アクセス解析イニシアチブin名古屋「分析から改善のアクションへ」2012/4/27アクセス解析イニシアチブin名古屋「分析から改善のアクションへ」
2012/4/27アクセス解析イニシアチブin名古屋「分析から改善のアクションへ」Hiroshi Kawasaki
 
ICT 20years planning
ICT 20years planningICT 20years planning
ICT 20years planningkoichi ikeda
 
デジタルマーケティング戦略策定
デジタルマーケティング戦略策定デジタルマーケティング戦略策定
デジタルマーケティング戦略策定Flyke1
 
TensorFlowとは? ディープラーニング (深層学習) とは?
TensorFlowとは? ディープラーニング (深層学習) とは?TensorFlowとは? ディープラーニング (深層学習) とは?
TensorFlowとは? ディープラーニング (深層学習) とは?KSK Analytics Inc.
 
Introduction of KOTATSU-MODEL in Requirement Development
Introduction of KOTATSU-MODEL in Requirement DevelopmentIntroduction of KOTATSU-MODEL in Requirement Development
Introduction of KOTATSU-MODEL in Requirement DevelopmentKent Ishizawa
 
データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理Koichi Hamada
 
新規事業が対峙する現実からエンジニアリングを俯瞰する #devsumiB #devsumi
新規事業が対峙する現実からエンジニアリングを俯瞰する #devsumiB #devsumi新規事業が対峙する現実からエンジニアリングを俯瞰する #devsumiB #devsumi
新規事業が対峙する現実からエンジニアリングを俯瞰する #devsumiB #devsumiItsuki Kuroda
 

Ähnlich wie 『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの (20)

データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016
データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016
データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016
 
事業の進展とデータマネジメント体制の進歩(+プレトタイプの話)
事業の進展とデータマネジメント体制の進歩(+プレトタイプの話)事業の進展とデータマネジメント体制の進歩(+プレトタイプの話)
事業の進展とデータマネジメント体制の進歩(+プレトタイプの話)
 
Tokyo webmining発表資料 20111127
Tokyo webmining発表資料 20111127Tokyo webmining発表資料 20111127
Tokyo webmining発表資料 20111127
 
Jmrx講演資料0723(配布用)[1]
Jmrx講演資料0723(配布用)[1]Jmrx講演資料0723(配布用)[1]
Jmrx講演資料0723(配布用)[1]
 
【schoo WEB-campus】#49業務改善のためのデータサイエンス 先生:倉橋一成
【schoo WEB-campus】#49業務改善のためのデータサイエンス 先生:倉橋一成【schoo WEB-campus】#49業務改善のためのデータサイエンス 先生:倉橋一成
【schoo WEB-campus】#49業務改善のためのデータサイエンス 先生:倉橋一成
 
マーケティング視点で捉えるアクセス解析 株式会社真摯
マーケティング視点で捉えるアクセス解析 株式会社真摯マーケティング視点で捉えるアクセス解析 株式会社真摯
マーケティング視点で捉えるアクセス解析 株式会社真摯
 
Webサービスを作る人に伝えたい5つのこと
Webサービスを作る人に伝えたい5つのことWebサービスを作る人に伝えたい5つのこと
Webサービスを作る人に伝えたい5つのこと
 
図解入門最新マーケティング・リサーチがよーくわかる本(6)
図解入門最新マーケティング・リサーチがよーくわかる本(6)図解入門最新マーケティング・リサーチがよーくわかる本(6)
図解入門最新マーケティング・リサーチがよーくわかる本(6)
 
20180920_【ヒカ☆ラボ】【データサイエンティストが教える 】 機械学習、人工知能を使った「ビジネスになる」アプリケーションの作り方
20180920_【ヒカ☆ラボ】【データサイエンティストが教える 】 機械学習、人工知能を使った「ビジネスになる」アプリケーションの作り方20180920_【ヒカ☆ラボ】【データサイエンティストが教える 】 機械学習、人工知能を使った「ビジネスになる」アプリケーションの作り方
20180920_【ヒカ☆ラボ】【データサイエンティストが教える 】 機械学習、人工知能を使った「ビジネスになる」アプリケーションの作り方
 
納涼 和風要求開発小ネタ集
納涼 和風要求開発小ネタ集納涼 和風要求開発小ネタ集
納涼 和風要求開発小ネタ集
 
2012/4/27アクセス解析イニシアチブin名古屋「分析から改善のアクションへ」
2012/4/27アクセス解析イニシアチブin名古屋「分析から改善のアクションへ」2012/4/27アクセス解析イニシアチブin名古屋「分析から改善のアクションへ」
2012/4/27アクセス解析イニシアチブin名古屋「分析から改善のアクションへ」
 
ICT 20years planning
ICT 20years planningICT 20years planning
ICT 20years planning
 
TechTarget新サービス
TechTarget新サービスTechTarget新サービス
TechTarget新サービス
 
デジタルマーケティング戦略策定
デジタルマーケティング戦略策定デジタルマーケティング戦略策定
デジタルマーケティング戦略策定
 
TensorFlowとは? ディープラーニング (深層学習) とは?
TensorFlowとは? ディープラーニング (深層学習) とは?TensorFlowとは? ディープラーニング (深層学習) とは?
TensorFlowとは? ディープラーニング (深層学習) とは?
 
Dynamic+arms+fx100318
Dynamic+arms+fx100318Dynamic+arms+fx100318
Dynamic+arms+fx100318
 
Introduction of KOTATSU-MODEL in Requirement Development
Introduction of KOTATSU-MODEL in Requirement DevelopmentIntroduction of KOTATSU-MODEL in Requirement Development
Introduction of KOTATSU-MODEL in Requirement Development
 
データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理
 
新規事業が対峙する現実からエンジニアリングを俯瞰する #devsumiB #devsumi
新規事業が対峙する現実からエンジニアリングを俯瞰する #devsumiB #devsumi新規事業が対峙する現実からエンジニアリングを俯瞰する #devsumiB #devsumi
新規事業が対峙する現実からエンジニアリングを俯瞰する #devsumiB #devsumi
 
Freee kintone 200205
Freee kintone 200205Freee kintone 200205
Freee kintone 200205
 

『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの