Suche senden
Hochladen
「予測にいかす統計モデリングの基本」勉強会 第一章
•
Als PPTX, PDF herunterladen
•
6 gefällt mir
•
1,886 views
Takahiro Yoshinaga
Folgen
「予測にいかす統計モデリングの基本」勉強会 第一章、2月24日
Weniger lesen
Mehr lesen
Daten & Analysen
Melden
Teilen
Melden
Teilen
1 von 23
Jetzt herunterladen
Empfohlen
時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?
Fumihiko Takahashi
CRAN Rパッケージ BNSLの概要
CRAN Rパッケージ BNSLの概要
Joe Suzuki
[DL輪読会]Meta-Learning Probabilistic Inference for Prediction
[DL輪読会]Meta-Learning Probabilistic Inference for Prediction
Deep Learning JP
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
情報統計力学のすすめ
情報統計力学のすすめ
Naoki Hayashi
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
全力解説!Transformer
全力解説!Transformer
Arithmer Inc.
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
西岡 賢一郎
Empfohlen
時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?
Fumihiko Takahashi
CRAN Rパッケージ BNSLの概要
CRAN Rパッケージ BNSLの概要
Joe Suzuki
[DL輪読会]Meta-Learning Probabilistic Inference for Prediction
[DL輪読会]Meta-Learning Probabilistic Inference for Prediction
Deep Learning JP
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
情報統計力学のすすめ
情報統計力学のすすめ
Naoki Hayashi
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
全力解説!Transformer
全力解説!Transformer
Arithmer Inc.
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
西岡 賢一郎
【メタサーベイ】Transformerから基盤モデルまでの流れ / From Transformer to Foundation Models
【メタサーベイ】Transformerから基盤モデルまでの流れ / From Transformer to Foundation Models
cvpaper. challenge
[DL輪読会]相互情報量最大化による表現学習
[DL輪読会]相互情報量最大化による表現学習
Deep Learning JP
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
. .
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
cvpaper. challenge
Fisher Vectorによる画像認識
Fisher Vectorによる画像認識
Takao Yamanaka
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
Deep Learning JP
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
Prophet入門【理論編】Facebookの時系列予測ツール
Prophet入門【理論編】Facebookの時系列予測ツール
hoxo_m
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
Transformerを雰囲気で理解する
Transformerを雰囲気で理解する
AtsukiYamaguchi1
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
弘毅 露崎
『自由エネルギー原理入門』勉強会1章&2章前半
『自由エネルギー原理入門』勉強会1章&2章前半
大地 紺野
SSII2020SS: 微分可能レンダリングの最新動向 〜「見比べる」ことによる3次元理解 〜
SSII2020SS: 微分可能レンダリングの最新動向 〜「見比べる」ことによる3次元理解 〜
SSII
【CVPR 2019】DeepSDF: Learning Continuous Signed Distance Functions for Shape R...
【CVPR 2019】DeepSDF: Learning Continuous Signed Distance Functions for Shape R...
cvpaper. challenge
幾何を使った統計のはなし
幾何を使った統計のはなし
Toru Imai
ベイズ統計モデリングと心理学
ベイズ統計モデリングと心理学
Shushi Namba
Chapter 8 ボルツマンマシン - 深層学習本読み会
Chapter 8 ボルツマンマシン - 深層学習本読み会
Taikai Takeda
【DL輪読会】AUTOGT: AUTOMATED GRAPH TRANSFORMER ARCHITECTURE SEARCH
【DL輪読会】AUTOGT: AUTOMATED GRAPH TRANSFORMER ARCHITECTURE SEARCH
Deep Learning JP
記号創発ロボティクスの狙い
記号創発ロボティクスの狙い
Tadahiro Taniguchi
時系列解析の使い方 - TokyoWebMining #17
時系列解析の使い方 - TokyoWebMining #17
horihorio
モデル勉強会100710kajiura改
モデル勉強会100710kajiura改
Kazuya Nishina
Weitere ähnliche Inhalte
Was ist angesagt?
【メタサーベイ】Transformerから基盤モデルまでの流れ / From Transformer to Foundation Models
【メタサーベイ】Transformerから基盤モデルまでの流れ / From Transformer to Foundation Models
cvpaper. challenge
[DL輪読会]相互情報量最大化による表現学習
[DL輪読会]相互情報量最大化による表現学習
Deep Learning JP
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
. .
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
cvpaper. challenge
Fisher Vectorによる画像認識
Fisher Vectorによる画像認識
Takao Yamanaka
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
Deep Learning JP
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
Prophet入門【理論編】Facebookの時系列予測ツール
Prophet入門【理論編】Facebookの時系列予測ツール
hoxo_m
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
Transformerを雰囲気で理解する
Transformerを雰囲気で理解する
AtsukiYamaguchi1
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
弘毅 露崎
『自由エネルギー原理入門』勉強会1章&2章前半
『自由エネルギー原理入門』勉強会1章&2章前半
大地 紺野
SSII2020SS: 微分可能レンダリングの最新動向 〜「見比べる」ことによる3次元理解 〜
SSII2020SS: 微分可能レンダリングの最新動向 〜「見比べる」ことによる3次元理解 〜
SSII
【CVPR 2019】DeepSDF: Learning Continuous Signed Distance Functions for Shape R...
【CVPR 2019】DeepSDF: Learning Continuous Signed Distance Functions for Shape R...
cvpaper. challenge
幾何を使った統計のはなし
幾何を使った統計のはなし
Toru Imai
ベイズ統計モデリングと心理学
ベイズ統計モデリングと心理学
Shushi Namba
Chapter 8 ボルツマンマシン - 深層学習本読み会
Chapter 8 ボルツマンマシン - 深層学習本読み会
Taikai Takeda
【DL輪読会】AUTOGT: AUTOMATED GRAPH TRANSFORMER ARCHITECTURE SEARCH
【DL輪読会】AUTOGT: AUTOMATED GRAPH TRANSFORMER ARCHITECTURE SEARCH
Deep Learning JP
記号創発ロボティクスの狙い
記号創発ロボティクスの狙い
Tadahiro Taniguchi
Was ist angesagt?
(20)
【メタサーベイ】Transformerから基盤モデルまでの流れ / From Transformer to Foundation Models
【メタサーベイ】Transformerから基盤モデルまでの流れ / From Transformer to Foundation Models
[DL輪読会]相互情報量最大化による表現学習
[DL輪読会]相互情報量最大化による表現学習
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
Fisher Vectorによる画像認識
Fisher Vectorによる画像認識
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Prophet入門【理論編】Facebookの時系列予測ツール
Prophet入門【理論編】Facebookの時系列予測ツール
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Transformerを雰囲気で理解する
Transformerを雰囲気で理解する
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
『自由エネルギー原理入門』勉強会1章&2章前半
『自由エネルギー原理入門』勉強会1章&2章前半
SSII2020SS: 微分可能レンダリングの最新動向 〜「見比べる」ことによる3次元理解 〜
SSII2020SS: 微分可能レンダリングの最新動向 〜「見比べる」ことによる3次元理解 〜
【CVPR 2019】DeepSDF: Learning Continuous Signed Distance Functions for Shape R...
【CVPR 2019】DeepSDF: Learning Continuous Signed Distance Functions for Shape R...
幾何を使った統計のはなし
幾何を使った統計のはなし
ベイズ統計モデリングと心理学
ベイズ統計モデリングと心理学
Chapter 8 ボルツマンマシン - 深層学習本読み会
Chapter 8 ボルツマンマシン - 深層学習本読み会
【DL輪読会】AUTOGT: AUTOMATED GRAPH TRANSFORMER ARCHITECTURE SEARCH
【DL輪読会】AUTOGT: AUTOMATED GRAPH TRANSFORMER ARCHITECTURE SEARCH
記号創発ロボティクスの狙い
記号創発ロボティクスの狙い
Ähnlich wie 「予測にいかす統計モデリングの基本」勉強会 第一章
時系列解析の使い方 - TokyoWebMining #17
時系列解析の使い方 - TokyoWebMining #17
horihorio
モデル勉強会100710kajiura改
モデル勉強会100710kajiura改
Kazuya Nishina
認知心理学への実践:データ生成メカニズムのベイズモデリング【※Docswellにも同じものを上げています】
認知心理学への実践:データ生成メカニズムのベイズモデリング【※Docswellにも同じものを上げています】
Hiroyuki Muto
三次元点群処理ライブラリPCLと 統合ロボットシステム研究での 利用例の紹介
三次元点群処理ライブラリPCLと 統合ロボットシステム研究での 利用例の紹介
Ryohei Ueda
多変量解析の授業(駒場キャンパス)の演習で話すために作った資料
多変量解析の授業(駒場キャンパス)の演習で話すために作った資料
Toshiyuki Shimono
第3回全脳アーキテクチャ勉強会(山川)発表資料
第3回全脳アーキテクチャ勉強会(山川)発表資料
ドワンゴ 人工知能研究所
確率統計-機械学習その前に
確率統計-機械学習その前に
Hidekatsu Izuno
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
研究室輪読 Feature Learning for Activity Recognition in Ubiquitous Computing
研究室輪読 Feature Learning for Activity Recognition in Ubiquitous Computing
Yusuke Iwasawa
2 1.予測と確率分布
2 1.予測と確率分布
logics-of-blue
20140213 web×マス広告の統合分析第1部_公開用
20140213 web×マス広告の統合分析第1部_公開用
Cyberagent
水田孝信:博士論文審査会発表資料2014年8月6日:人工市場シミュレーションを用いた金融市場の規制・制度の分析
水田孝信:博士論文審査会発表資料2014年8月6日:人工市場シミュレーションを用いた金融市場の規制・制度の分析
Takanobu Mizuta
SSI2011 Presentation
SSI2011 Presentation
yusuke_510
情報検索のためのユーザモデル
情報検索のためのユーザモデル
kt.mako
20150414seminar
20150414seminar
nlab_utokyo
Qlik Tips: 実践!Qlik AutoML
Qlik Tips: 実践!Qlik AutoML
QlikPresalesJapan
CMSI計算科学技術特論A(1) プログラム高速化の基礎
CMSI計算科学技術特論A(1) プログラム高速化の基礎
Computational Materials Science Initiative
Ähnlich wie 「予測にいかす統計モデリングの基本」勉強会 第一章
(17)
時系列解析の使い方 - TokyoWebMining #17
時系列解析の使い方 - TokyoWebMining #17
モデル勉強会100710kajiura改
モデル勉強会100710kajiura改
認知心理学への実践:データ生成メカニズムのベイズモデリング【※Docswellにも同じものを上げています】
認知心理学への実践:データ生成メカニズムのベイズモデリング【※Docswellにも同じものを上げています】
三次元点群処理ライブラリPCLと 統合ロボットシステム研究での 利用例の紹介
三次元点群処理ライブラリPCLと 統合ロボットシステム研究での 利用例の紹介
多変量解析の授業(駒場キャンパス)の演習で話すために作った資料
多変量解析の授業(駒場キャンパス)の演習で話すために作った資料
第3回全脳アーキテクチャ勉強会(山川)発表資料
第3回全脳アーキテクチャ勉強会(山川)発表資料
確率統計-機械学習その前に
確率統計-機械学習その前に
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)
研究室輪読 Feature Learning for Activity Recognition in Ubiquitous Computing
研究室輪読 Feature Learning for Activity Recognition in Ubiquitous Computing
2 1.予測と確率分布
2 1.予測と確率分布
20140213 web×マス広告の統合分析第1部_公開用
20140213 web×マス広告の統合分析第1部_公開用
水田孝信:博士論文審査会発表資料2014年8月6日:人工市場シミュレーションを用いた金融市場の規制・制度の分析
水田孝信:博士論文審査会発表資料2014年8月6日:人工市場シミュレーションを用いた金融市場の規制・制度の分析
SSI2011 Presentation
SSI2011 Presentation
情報検索のためのユーザモデル
情報検索のためのユーザモデル
20150414seminar
20150414seminar
Qlik Tips: 実践!Qlik AutoML
Qlik Tips: 実践!Qlik AutoML
CMSI計算科学技術特論A(1) プログラム高速化の基礎
CMSI計算科学技術特論A(1) プログラム高速化の基礎
Mehr von Takahiro Yoshinaga
ICLR 2018
ICLR 2018
Takahiro Yoshinaga
WSDM2018 presentation
WSDM2018 presentation
Takahiro Yoshinaga
Rainbow
Rainbow
Takahiro Yoshinaga
トポロジカルデータ解析(仮)
トポロジカルデータ解析(仮)
Takahiro Yoshinaga
A Deep Reinforcement Learning Chatbot
A Deep Reinforcement Learning Chatbot
Takahiro Yoshinaga
Groups-Keeping Solution Path Algorithm For Sparse Regression
Groups-Keeping Solution Path Algorithm For Sparse Regression
Takahiro Yoshinaga
研究内容
研究内容
Takahiro Yoshinaga
「予測にいかす統計モデリングの基本」勉強会 第二章
「予測にいかす統計モデリングの基本」勉強会 第二章
Takahiro Yoshinaga
博士論文審査
博士論文審査
Takahiro Yoshinaga
Mehr von Takahiro Yoshinaga
(9)
ICLR 2018
ICLR 2018
WSDM2018 presentation
WSDM2018 presentation
Rainbow
Rainbow
トポロジカルデータ解析(仮)
トポロジカルデータ解析(仮)
A Deep Reinforcement Learning Chatbot
A Deep Reinforcement Learning Chatbot
Groups-Keeping Solution Path Algorithm For Sparse Regression
Groups-Keeping Solution Path Algorithm For Sparse Regression
研究内容
研究内容
「予測にいかす統計モデリングの基本」勉強会 第二章
「予測にいかす統計モデリングの基本」勉強会 第二章
博士論文審査
博士論文審査
「予測にいかす統計モデリングの基本」勉強会 第一章
1.
「予測にいかす統計モデリングの基本」 第一章 予測とは何かを考える Takahiro Yoshinaga
(Univ. of Tokyo) 状態空間モデル勉強会 Based on 「予測にいかす統計モデリングの基本」, 樋口知之, 講談社, 2011 2015年2月24日 @UT をするために必要な枠組
2.
勉強会の目的 2 「時系列データをもとに統計モデリング、 予測ができるようになる」 time 観測量 時系列データ 統計モデリング
予測 3章 状態空間モデル アルゴリズム 4, 5章 実装 6, 7章(粒子フィルタ)
3.
本の概要 3 1. 予測とは何かを考える 2.
確率による記述:基礎体力をつける 3. 統計モデル:予測機能を構造化する 4. 計算アルゴリズム1:予測計算理論を学ぶ 5. 計算アルゴリズム2:モデルを進化させる 6. 粒子フィルタ:予測機能を実装する 7. 乱数生成:不確実性をつくる 8. 経験値の総結集:売り上げ予測の精度を上げる 9. データ同化:シミュレーションの予測性能を向上させる 10.確率ロボティクス:お掃除ロボを作る 基礎編 実装編 応用編
4.
本の概要 4 1. 予測とは何かを考える 2.
確率による記述:基礎体力をつける 3. 統計モデル:予測機能を構造化する 4. 計算アルゴリズム1:予測計算理論を学ぶ 5. 計算アルゴリズム2:モデルを進化させる 6. 粒子フィルタ:予測機能を実装する 7. 乱数生成:不確実性をつくる 8. 経験値の総結集:売り上げ予測の精度を上げる 9. データ同化:シミュレーションの予測性能を向上させる 10.確率ロボティクス:お掃除ロボを作る 基礎編 実装編 応用編
5.
第一章の概要 5 「予測が難しいことを理解する」 ナイーブなモデリング :統計的時系列モデル、ニューラルネットワーク、…
データのあてはめ:最適化関数、… time 観測量 時系列データ 統計モデリング 予測 実際のデータを扱うには不十分な点が多い
6.
1.1 居酒屋の売り上げ高の予測 6 具体例:レストランの売り上げデータ 代わりにberoberoさんのページのデータを持ってきました http://heartruptcy.blog.fc2.com/blog-entry-90.html 0
200 400 600 50100150200 day Sales 2012/1/1~2013/12/31 繁忙期(8月):欠損
7.
1.1 居酒屋の売り上げ高の予測 7 Notation
観測された時系列データ: 時系列データの集合 時刻tでのデータの予測値: 売り上げデータの予測問題を考える
8.
1.1 居酒屋の売り上げ高の予測 8 モデリングの例:統計的時系列モデル
自己回帰 (AR) モデル ニューラルネットワーク 過去データの線形和 非線形関数 ai:自己回帰係数(未知), p:AR次数, wt:ノイズ ここでは、過去データによって現在が規定されるモデルを紹介 例えば、最尤法とAICで決定
9.
1.1 居酒屋の売り上げ高の予測 9 他にも時系列モデルはたくさんある
移動平均 (MA) モデル ARMAモデル (AR+MA) 「過去の自分のことはすべて忘れていくスタイル」
10.
1.1 居酒屋の売り上げ高の予測 10 他にも時系列モデルはたくさんある
ARIMAモデル 「ARMAモデルを非定常時系列に拡張」 非定常の場合、平均が時間変動 時系列の階差をとることで平均の揺れを緩和 階差時系列に対してARMAを適用 ARMAモデルを適用 時系列データが非定常の場合
11.
1.1 居酒屋の売り上げ高の予測 11 他にも時系列モデルはたくさんある
GARCHモデル さらに拡張した有象無象たち… 時系列データの分散が時間変動 すべてのパラメータは正と仮 定 時系列解析もじっくり勉強したい…
12.
1.1 居酒屋の売り上げ高の予測 12 モデリングの例:ARモデル 0
200 400 600 50100150200 day Sales 仮想的に100日分を予測してみた(*) (*) ARモデルは欠損データがあるとRで解析できないので、少しズルをしている (繁忙期のデータもこっそり使っている) 予測はしてみたはいいが…
13.
1.1 居酒屋の売り上げ高の予測 13
手軽に(データだけから)予測値を得られる 経験などに基づく要因を取り込めない - 逆推論できない - 結果の可読性が悪い - 学習の効率性が悪い 利点 欠点 モデリングの例:統計的時系列モデル
14.
1.1 居酒屋の売り上げ高の予測(まとめ) 14 時系列データから予測をしたい 統計的時系列モデルだけだと不十分?! 経験に基づく要因も取り込みたい 最適化関数による表現 1.2
最適化関数の紹介, 1.3 季節変動を取り込む
15.
1.2 期待感を数式で表す 15 データの当てはめの例:最適化関数 データをトレンド成分とそれ以外に分離、トレンド成分を 上手くつなげることでデータに滑らかな曲線を当てはめる トレンド成分 残差
16.
1.2 期待感を数式で表す 16 データの当てはめの例:最適化関数 最適化関数 最適化関数を最小にするμ*を見つける 1.
あてはめる直線○とデータ✕の位置は近い 2. 連続する3つの✕はほぼ一直線上にある 仮定 (1) α:条件のどちらが強いかをコントロール(手で決める) (2) 最適化関数の関数形はこれ以外でもよい(直観に合ってれば)
17.
1.2 期待感を数式で表す 17 データの当てはめの例:最適化関数 :固定したαの元でμtで微分してゼロとおいたときの解 例
: t = 1 残りもじんぐり計算するだけ、解は一意に定まる
18.
1.2 期待感を数式で表す 18 データの当てはめの例:最適化関数 もう少しかっこよく書いておく 最適化関数 最小化(μで微分してゼロ)
19.
1.2 期待感を数式で表す 19 データの当てはめの例:最適化関数
αを決めれば、μ*は一意に決まる αを決める方法が最適化の範囲を超える μ*の誤差評価ができない 最適化だけでは予測の実行は困難 理解しておくこと 何らかの仮定をおけばデータを フィットできるけど、予測は難しい (何らかの統計モデルを考えなければならない)
20.
周期性をもつ成分stを仮定(*1) 季節成分の条件(例) 1.3
パターンの表現 20 周期的なパターンを取り込んでみる 具体例:レストランの売り上げデータ 「現時点と一週間前のデータは似てる (*2)」 「週パターンはあまり変化しない」 (*1) 加え方の優劣はモデル比較で判断 (*2) 横一直線のデータを季節成分としてしまう危険性あり
21.
1.3 パターンの表現 21 最小化(*) 最適化関数 求まる (*)
αμ, αsは手で決める 周期的なパターンを取り込んでみる 具体例:レストランの売り上げデータ
22.
1.2と1.3のまとめ 22 時系列データをいろいろな要因 によって説明したい フィットはできるが予測が困難 何らかの統計モデルを考える必要あり 最適化関数による表現 1.2 最適化関数の紹介,
1.3 季節変動を取り込む
23.
第一章のまとめ 23 「予測をすることは難しい」 今後の目標 経験などの知見を要因に組み込んだ上で統計モデリングを行いたい time 観測量 時系列データ 統計モデリング
予測
Jetzt herunterladen