【2023年】「時系列分析」のおすすめ 本 100選!人気ランキング

この記事では、「時系列分析」のおすすめ 本 をランキング形式で紹介していきます。インターネット上の口コミや評判をベースに集計し独自のスコアでランク付けしています。
記事内に商品プロモーションを含む場合があります
目次
  1. 経済・ファイナンスデータの計量時系列分析 (統計ライブラリー)
  2. 時系列解析: 自己回帰型モデル・状態空間モデル・異常検知 (Advanced Python)
  3. 現場ですぐ使える時系列データ分析 ~データサイエンティストのための基礎知識~
  4. Rによる時系列分析入門
  5. 時系列分析と状態空間モデルの基礎: RとStanで学ぶ理論と実装
  6. 実践 時系列解析 ―統計と機械学習による予測
  7. 時系列解析入門
  8. 機械学習のエッセンス -実装しながら学ぶPython,数学,アルゴリズム- (Machine Learning)
  9. 時系列解析〈上〉定常過程編
  10. 深層学習 改訂第2版 (機械学習プロフェッショナルシリーズ)
他90件
No.2
85

時系列解析 : 自己回帰型モデル・状態空間モデル・異常検知

みんなのレビュー
まだレビューはありません
No.4
72
みんなのレビュー
まだレビューはありません
No.6
70

時系列データを切り口としたデータ分析の入門書。基本をカバーした後、統計的手法と機械学習手法の両方を時系列データに適用する。 統計的手法と機械学習手法の両方を使用した汎用性の高い時系列分析手法! 本書は「時系列データ」の切り口から書かれたデータ分析の入門書です。時系列データが使われる範囲は広く、医療データ、金融分析、経済予測、天気予報など、さまざまな分野で使われています。本書は時系列データを通してデータ分析手法を学んでいくアプローチで、データのクリーニング、プロットの方法、入出力など基本的なトピックについてひととおりカバーしてから、さまざまな分野のさまざまな事例を取り上げ、統計的手法と機械学習手法の両方を時系列データに適用し、また人気のオープンソースツールも積極的に取り入れた手法を紹介します。 時系列データを切り口としたデータ分析の入門書。基本をカバーした後、統計的手法と機械学習手法の両方を時系列データに適用する。

みんなのレビュー
まだレビューはありません
No.7
65
みんなのレビュー
まだレビューはありません
No.9
64

時系列解析〈上〉定常過程編

J.D. ハミルトン
シーエーピー出版

理論と実証の問題を融合し、かつベクトル自己回帰、一般化モーメント法、非定常データの統計的推測等の、ここ10年間の進歩を網羅した教科書を提供すること、それが本書の目的である。 第1章 差分方程式 第2章 ラグ作用素 第3章 定常ARMA過程 第4章 予測 第5章 最尤推定法 第6章 スペクトル解析 第7章 漸近分布理論 第8章 線形回帰モデル 第9章 線形同時方程式システム 第10章 弱定常ベクトル過程 第11章 ベクトル自己回帰

みんなのレビュー
まだレビューはありません
No.12
63
みんなのレビュー
まだレビューはありません
No.14
63

特集「時系列解析――状態空間モデル・因果解析・ビジネス応用」………伊庭幸人 状態空間モデル………北川源四郎 Rによる状態空間モデリング dlmとKFASを用いて………伊東宏樹   〈コラム〉状態空間モデルのパラメータ推定 粒子フィルタを実装してみる………岩波データサイエンス刊行委員会   〈コラム〉推定のための計算手法の比較 状態空間モデルのマーケティングへの応用………佐藤忠彦 VARモデルによる因果関係の推論 内閣支持率と株価を例に………川崎能典   〈コラム〉隠れマルコフモデルと状態空間モデル 小特集「シミュレーションとデータサイエンス」………伊庭幸人 シミュレーション,データ同化,そしてエミュレーション………樋口知之   〈コラム〉エミュレータの活用 天気予報とデータサイエンス………伊藤耕介 揺らぐタンパク質と老いる私 ミスフォールディング時代のデータサイエンス………伊庭幸人   〈コラム〉分子シミュレーションの「逆問題」とは? リアルなSimCityの夢………仙石裕明 [話題] 時系列データから天体の形を再構成する 時間軸天文学への誘い………植村誠 夢と脳と機械学習 夢理論から夢のデータサイエンスへ………神谷之康 [パズル・小説・漫画] 計算機で作る面白いナンプレ⑥………とん 掌編小説《海に溺れて》❻流されて………円城塔 掌編漫画②いつもの所で待ち合わせ………panpanya シリーズ『岩波データサイエンス』の完結にあたって

みんなのレビュー
まだレビューはありません
No.15
63
みんなのレビュー
まだレビューはありません
No.16
63
みんなのレビュー
データ分析コンペKaggleに挑戦するならこれをまず読んでおけば大丈夫!Kaggleに参加しないにしてもデータ分析の本質やテクニックがギュッと詰まっているので実務に活かせる。高度な内容も登場するが分かりやすく解説してくれるので初心者でも読みやすい。それでいてベテランの人も多くの学びがある書籍。著者はKaggleの最上位グランドマスターの方々であり説得力がある。過去のコンペの事例も取り上げてくれるのでそんなアプローチあったのかぁと学びが深い。文句なしの星5つ!
No.19
62

Rを使ってベクトル自己回帰分析を行う。理論に関する疑問、分析ツールをRで書くことなど役に立つ情報を提供。 ベクトル自己回帰(VAR:vector autoregression analyses)に特化した実用書 本書はRを使ってベクトル自己回帰(VAR:vector autoregression analyses)分析を行うものです。理論に関する疑問、モデル構築に関する疑問、分析ツールをRで書くことの疑問、等VARに関する疑問に答えるものです。実証分析を行ううえで、役に立つ情報を提供します。

みんなのレビュー
まだレビューはありません
No.20
62

本書は実際のデータを用いて、使い方を重点的に解説。実務的な運用には理論よりもPython等コードでの実践が重要。 時系列データを上手く活用し、ビジネス成果を生み出す!! 時系列データを上手く調理することは、これらの問に何かしら解を与えることができます。特に予測モデルを上手く活用すると、過去を振り返り、未来を予測し、現在すべきことを導きだし、成果へと繋げることができます。いくら高精度な予測モデルを手にしても、どう活用すべきかわからないと成果は生まれません。そこで本書ではどのように扱うかを、実際のデータを用いて、使い方を重点的に解説していきます。時系列分析の多くの書籍は数式等を用いて解説していますが、実務的な運用には理論よりもPython等コードで実践していくことが重要です。 第1章 ビジネスにおける時系列データ活用 第2章 Pythonのデータ分析環境の設定(JupyterLab) 第3章 時系列予測モデル構築・超入門 第4章 時系列データを使ったビジネス成果の上げ方 第5章 時系列データを活用したビジネス事例

みんなのレビュー
まだレビューはありません
No.21
62

最先端のデータ分析の手法を基礎から応用までざっと学べる1冊! 【本書の内容】 次代の花形職種である「データサイエンティスト」はどのような知識を身につけているのか? データサイエンスとは?という基礎から、実際にデータ分析するために必要なパソコンの知識、プログラミングの基礎、機械学習、画像解析まで。 気鋭の若手研究者による、データサイエンス入門の一冊。 【本書の目次】 第1部 データサイエンスの基本●(1)データサイエンスとは? 第2部 データサイエンスの基礎技術●(2)計算機の仕組み/(3)プログラミングの基礎(1)/(4)プログラミングの基礎(2)/(5)アルゴリズム(1)/(6)アルゴリズム(2)/(7)データベース/(8)最適化の方法 第3部 統計学・機械学習の基礎●(9)機械学習の基本/(10)過学習とモデル選択/(11)回帰問題と住宅価格/(12)アンサンブル学習と住宅価格/(13)分類問題/(14)教師なし学習 第4部 コーパスとネットワークの分析●(15)トピックモデル/(16)ネットワーク分析 第5部 ディープラーニング●(17)ニューラルネットワークの基礎/(18)ディープラーニング/(19)ディープラーニングによる系列データ分析/(20)ディープラーニングによる画像分析 世界最先端の企業が喉から手が出るほど欲しい人材のひとつ、「データサイエンティスト」。この職につく人々が身につけるべき知識とはいったい何なのか。最先端のデータ分析の手法を基礎からざっと学べる1冊! 第1部 データサイエンスの基本●(1)データサイエンスとは? 第2部 データサイエンスの基礎技術●(2)計算機の仕組み/(3)プログラミングの基礎(1)/(4)プログラミングの基礎(2)/(5)アルゴリズム(1)/(6)アルゴリズム(2)/(7)データベース/(8)最適化の方法 第3部 統計学・機械学習の基礎●(9)機械学習の基本/(10)過学習とモデル選択/(11)回帰問題と住宅価格/(12)アンサンブル学習と住宅価格/(13)分類問題/(14)教師なし学習 第4部 コーパスとネットワークの分析●(15)トピックモデル/(16)ネットワーク分析 第5部 ディープラーニング●(17)ニューラルネットワークの基礎/(18)ディープラーニング/(19)ディープラーニングによる系列データ分析/(20)ディープラーニングによる画像分析

みんなのレビュー
まだレビューはありません
No.22
62

さまざまな時系列モデルや解析手法を俯瞰的に解説し,Rによる具体的な計算例も紹介. 時系列データの解析は,経済学,工学,社会学,医学など,さまざまな分野で活用されています.過去のデータを分析して将来の予測をするために,さまざま特徴をもった数学的なモデルが開発され,研究されています. 本書では,時系列データを解析するための基本的な考え方から始めて,さまざまなモデルを俯瞰的に解説します.ARモデル,MAモデル,ARMAモデルといった代表的なモデルだけでなく,多変量モデル,非線形モデル,状態空間モデルなど発展的なモデルまで広く学ぶことができます.これまで和書ではあまり解説されていなかった離散値時系列モデルについても,初歩から解説しています. さらに,Rによる具体的な計算例も紹介しています. はじめて学ぶときだけでなく,知識を整理したいときや,より発展的な手法について学びたいときにも役立つ1冊です. ソースコードは森北出版Webサイトからダウンロードできるので,自分の手で簡単に試すことができます. 第Ⅰ部 連続値時系列  第1章 時系列  第2章 定常性と自己相関  第3章 スペクトル解析  第4章 ARMAモデル  第5章 ARモデルの推定法  第6章 時系列モデルの診断  第7章 時系列モデルの予測と次数選択  第8章 多変量モデル,非線形モデル  第9章 状態空間モデル  第10章 空間統計学 第Ⅱ部 離散値時系列  第11章 整数値時系列モデル  第12章 INARモデルの推定法  第13章 さまざまな整数値時系列モデル  第14章 カテゴリカル時系列モデル 付録 理論的補足

みんなのレビュー
まだレビューはありません
No.24
58

最新のライブラリに対応!機械学習の基本を数式とプログラムを紐づけてしっかり学べる! Pythonプログラムを動かしながら機械学習の基礎をしっかり学べる! 【本書の目的】 人工知能関連サービスや商品開発において 機械学習の基礎知識が必要となります。 本書では数式とPythonプログラムをつなげて 機械学習の基礎をしっかり学ぶことができます。 【本書の特徴】 本書は、機械学習の原理を数式でしっかり理解し、 Pythonプログラムによってその理解を深めていくことができる書籍です。 ・数式とコードを連携して解説 ・学習内容を「要点整理」で復習 ・TensorFlow 2.7に対応 ・Python 3.9に対応 【読者が得られること】 機械学習のしくみとPythonプログラムを つなげて理解できます。 【対象読者】 機械学習の基礎を数学的な原理からプログラム実装までしっかり学びたい理工学生・エンジニア 【目次】 第 1 章 機械学習の準備 第 2 章 Pythonの基本 第 3 章 グラフの描画 第 4 章 機械学習に必要な数学の基本 第 5 章 教師あり学習:回帰 第 6 章 教師あり学習:分類 第 7 章 ニューラルネットワーク・ディープラーニング 第 8 章 ニューラルネットワーク・ディープラーニングの応用(手書き数字の認識) 第 9 章 教師なし学習 第10章 要点のまとめ 第1章 機械学習の準備 第2章 Pythonの基本 第3章 グラフの描画 第4章 機械学習に必要な数学の基本 第5章 教師あり学習:回帰 第6章 教師あり学習:分類 第7章 ニューラルネットワーク・ディープラーニング 第8章 ニューラルネットワーク・ディープラーニングの応用(手書き数字の認識) 第9章 教師なし学習 第10章 要点のまとめ

みんなのレビュー
まだレビューはありません
No.25
58
みんなのレビュー
Rを使って統計学の基本を分かりやすく手を動かしながら学べる書籍。Rを学ぶならまずこの本からはじめるのがオススメ!
No.27
57

様々な分野の実際の問題へ適用した事例を解説。 様々な分野の実際の問題へ適用した事例を解説。〔I〕火力発電所ボイラ/生体内フィードバック解析/経済時系列/船体運動/地震波/人間-自動車系/船体動揺データ/生糸操糸工程/薬物動態解析/状態が切替わるモデル/時変数ARモデル 1. 統計モデルによる火力発電用ボイラの制御  1.1 まえがき  1.2 多変数システム制御の問題点  1.3 統計モデルによるシステム解析と制御  1.4 最適レギュレータ設計の実際  1.5 実プラントへの適用結果  1.6 あとがき 2. 多変量自己回帰モデルを用いた生体内フィールドバック解析  2.1 はじめに  2.2 体液制御とフィードバック  2.3 パワー寄与率とインパルス応答の実例  2.4 なぜフィードバック解析に自己回帰モデルを用いるか  2.5 パワー寄与率の求めかた  2.6 状態方程式とインパルス応答  2.7 閉鎖系と開放系のインパルス応答  2.8 仮想的なフィードバック系による確認  2.9 おわりに 3. 経済時系列の変動要因分解  3.1 はじめに  3.2 モデル1(確率項のみのモデル)  3.3 モデル2(確定項を含むモデル)  3.4 モデル3(マクロ経済政策効果も考慮したモデル)  3.5 ファインチューニングは成功したか  3.6 予測力はあるか  3.7 まとめと今後の課題 4. 船体運動と主機関の統計的最適制御  4.1 はじめに  4.2 船体および主機関の運動の制御のあらまし  4.3 統計モデルによる船体操縦運動の表現と最適制御  4.4 制御型自己回帰最適自動操舵システムの設計  4.5 外乱適応型自動操舵システム  4.6 舵減揺型自動操舵システム  4.7 主機関ガバナシステムへの応用  4.8 まとめ 5. 地震波到着時刻の精密な推定  5.1 はじめに  5.2 局所定常ARモデル  5.3 局所定常区間の自動分割  5.4 地震波到着時刻の精密な推定  5.5 応用:地震波の到着時刻から推定される地球内部の物理定数  5.6 おわりに 6. 人間―自動車系の動特性解析  6.1 自動車単体の横風動特性  6.2 多変量ARモデルの人間―自動車系への応用  6.3 人間―自動車系の横風動特性  6.4 まとめ 7. 船体動揺データを用いた方向波スペク●  7.1 はじめに  7.2 多次元ARモデルによるクロスス●  7.3 方向波スペクトルと船体動揺の関●  7.4 ベイズ型モデルを用いた方向波ス●  7.5 模型船を用いた水槽実験結果  7.6 おわりに 8. 生糸繰糸工程の管理  8.1 落緒管理と間隔過程  8.2 生糸の繊度管理  8.3 Black box内の滞留時間 9. 薬物動態解析への応用  9.1 はじめに  9.2 薬物動態学的モデル  9.3 モンテカルロ法による最大対数尤度の推定  9.4 実例  9.5 まとめ 10. 状態が切り替わるモデルによる時系列の解析  10.1 はじめに  10.2 パルスをもつ時系列データ既存の手法の限界  10.3 パルスをもつ時系列のための状態空間モデル  10.4 まとめ 11. 時変係数ARモデルによる非定常時系列の解析  11.1 はじめに  11.2 時変係数ARモデル  11.3 時変係数VARモデル  11.4 地震データ解析への応用例 12. 索 引

みんなのレビュー
まだレビューはありません
No.28
57

TensorFlowの機能を組み合わせて実践的な深層学習モデルを構築しよう!ニューラルネットワークの基礎、CNNやRNNはもちろん、転移学習を用いたキャプション生成までを1冊に凝縮。データ整形からモデル構築までをステップ・バイ・ステップで解説。 第1章 ニューラルネットワークと深層学習(機械学習 教師あり学習・教師なし学習 ほか) 第2章 TensorFlow入門-計算グラフと手書き数字認識(TensorFlowとは? 計算グラフとDefine and Run ほか) 第3章 TensorFlowをもう少し入門-TensorBoard、CNN、モデルの保存(可視化ツールTensorBoard TensorBoardの見方 ほか) 第4章 TensorFlowでRNN-時系列情報および自然言語の扱い(Recurrent Neural Network TensorFlowにおけるRNN実装 ほか) 第5章 TensorFlowでニューラルイメージキャプショニング(画像キャプショニング 画像キャプショニングのためのデータセット ほか)

みんなのレビュー
まだレビューはありません
No.29
57
みんなのレビュー
まだレビューはありません
No.30
57

代表的な手法と応用へのポイントを、RパッケージTSSSを用いた分析により実践的に学ぶ。 時系列の解析や予測のためのモデルを自ら考案し、実装できるようになることを目標として、代表的な手法と応用へのポイントを解説した『時系列解析入門』の改訂版。手早く実際のデータに適用してみることもできるように、統計数理研究所で開発されたRパッケージTSSSの使用法と解析例を新たに多数追加した。 新版へのまえがき 初版まえがき R と時系列解析パッケージTSSS 第1章 時系列データの解析とその準備 1. 1 時系列データ 1. 2 時系列の分類 1. 3 時系列解析の目的 1. 4 時系列データの前処理  1. 4. 1 変数変換  1. 4. 2 差分(階差)  1. 4. 3 前期比,前年同期比  1. 4. 4 移動平均 [章末問題] 第2章 共分散関数 2. 1 時系列の分布と定常性 2. 2 定常時系列の自己共分散関数 2. 3 多変量時系列と散布図 2. 4 相互共分散関数および相互相関関数 [章末問題 第3章 スペクトルとピリオドグラム 3. 1 スペクトル 3. 2 ピリオドグラム 3. 3 ピリオドグラムの平均と平滑化 3. 4 ピリオドグラムの計算法 3. 5 FFT によるピリオドグラム計算 [章末問題] 第4章 モデリング 4. 1 確率分布と統計的モデル 4. 2 K L 情報量とエントロピー最大化原理 4. 3 K L 情報量の推定と対数尤度 4. 4 最尤法によるパラメータの推定 4. 5 AIC(赤池情報量規準) 4. 6 データの変換 [章末問題] 第5章 最小二乗法 5. 1 回帰モデルと最小二乗法 5. 2 ハウスホルダー法に基づく最小二乗法の解法 5. 3 AIC による次数選択 5. 4 データの追加と分割処理 5. 5 AIC による変数選択 [章末問題] 第6章 ARMAモデルによる時系列の解析 6. 1 ARMA モデル 6. 2 インパルス応答関数 6. 3 自己共分散関数 6. 4 AR係数とPARCORの関係 6. 5 パワースペクトル 6. 6 特性方程式 6. 7 多変量ARモデル [章末問題] 第7章 AR モデルの推定 7. 1 AR モデルのあてはめ 7. 2 ユールウォーカー法とレビンソンのアルゴリズム 7. 3 最小二乗法によるARモデルの推定 7. 4 PARCOR法によるARモデルの推定 7. 5 AR係数の推定量の誤差分布 7. 6 数値例 7. 7 ユールウォーカー法による多変量AR モデルの推定 7. 8 最小二乗法による多変量AR モデルの推定 [章末問題] 第8章 局所定常AR モデル 8. 1 局所定常ARモデル 8. 2 任意個の区間への自動分割 8. 3 変化時点の精密な推定 8. 4 変化時点の事後確率 [章末問題] 第9章 状態空間モデルによる時系列の解析 9. 1 状態空間モデル 9. 2 カルマンフィルタによる状態の推定 9. 3 平滑化のアルゴリズム 9. 4 状態の長期予測 9. 5 時系列の予測 9. 6 時系列モデルの尤度計算とパラメータ推定 9. 7 欠測値の補間 [章末問題] 第10章 ARMAモデルの推定 10. 1 ARMAモデルの状態空間表現 10. 2 ARモデルの初期状態 10. 3 ARMAモデルの初期状態 10. 4 ARMAモデルの最尤推定 10. 5 パラメータの初期値について [章末問題] 第11章 トレンドの推定 11. 1 多項式回帰モデル 11. 2 トレンド成分モデル構造の確率的変化のモデル 11. 3 トレンドモデル [章末問題] 第12章 季節調整モデル 12. 1 季節成分モデル 12. 2 標準的季節調整モデル 12. 3 定常AR 成分を含む分解 12. 4 曜日効果項を含む分解 [章末問題] 第13章 時変係数ARモデル 13. 1 時変分散モデル 13. 2 時変係数ARモデル 13. 3 時変スペクトルの推定 13. 4 時変係数AR モデルのシステムノイズの仮定 13. 5 係数の急激な変化について [章末問題] 第14章 非ガウス型モデル 14. 1 非ガウス型モデルの必要性 14. 2 非ガウス型状態空間モデルと状態推定 14. 3 状態推定公式の数値的実現 14. 4 非ガウス型トレンドモデル 14. 5 非対称な分布時変分散モデル 14. 6 非ガウス型状態空間モデルの応用  14. 6. 1 混合ガウス分布による異常値の処理  14. 6. 2 非定常離散系列  14. 6. 3 時変分散を直接推定する方法  14. 6. 4 非線形状態空間モデル [章末問題] 第15章 粒子フィルタ・平滑化 15. 1 非線形・非ガウス型の状態空間モデルと分布の近似 15. 2 粒子フィルタ  15. 2. 1 1期先予測  15. 2. 2 フィルタ  15. 2. 3 粒子フィルタのアルゴリズム  15. 2. 4 モデルの尤度  15. 2. 5 リサンプリング法について  15. 2. 6 数値例 15. 3 粒子平滑化  15. 3. 1 粒子近似による平滑化  15. 3. 2 非線形平滑化 [章末問題] 第16章 シミュレーション 16. 1 一様乱数の生成 16. 2 白色雑音の生成  16. 2. 1 χ2分布  16. 2. 2 コーシー分布  16. 2. 3 任意の分布に従う乱数の生成 16. 3 ARMAモデルのシミュレーション 16. 4 状態空間モデルによるシミュレーション 16. 5 非ガウス型状態空間モデルによるシミュレーション [章末問題] 付録A 非線形最適化のアルゴリズム 付録B レビンソンのアルゴリズムの導出 付録C カルマンフィルタと平滑化のアルゴリズムの導出  C. 1 カルマンフィルタ  C. 2 平滑化 付録D 粒子フィルタのアルゴリズム 参考文献 章末問題解答 索 引

みんなのレビュー
まだレビューはありません
No.31
57

初学者から独習できる懇切丁寧な解説,身近な例題,Excelの解説が豊富な定番テキストの改訂版。Excel2013対応。 初学者から独習できる丁寧な解説と,Excelを用いた実践ガイドが豊富な定番テキスト。解説・問題で使用するデータをダウンロードし,分析を追体験しながら学べる。例題・練習問題も充実。データ,Excelガイド等をアップデートし,最新の内容に改訂。 第1章 記述統計Ⅰ 第2章 記述統計Ⅱ 第3章 Excelによるグラフ作成 第4章 相関と回帰 第5章 確 率 第6章 分布と期待値 第7章 基本的な分布 第8章 標本分布 第9章 推 定 第10章 仮説検定 第11章 回帰分析の統計理論 第12章 時系列分析の基礎 第13章 多変量解析の基礎

みんなのレビュー
まだレビューはありません
No.32
57
みんなのレビュー
まだレビューはありません
No.33
57

岩波データサイエンス Vol.1

岩波データサイエンス刊行委員会
岩波書店
みんなのレビュー
まだレビューはありません
No.34
57

最適化、確率・統計などの基本的な計算から、ハミルトニアンモンテカルロ法、階層ベイズ、状態空間モデルの原理までを丁寧に解説! ◆◆数式とコードの距離が近いJuliaで一生モノの考え方を身につけよう!◆◆ 線形代数、微積分、最適化、確率・統計の基本的な計算から、 ハミルトニアンモンテカルロ法、階層ベイズ、状態空間モデルの原理までをていねいに解説! [サポートページ] https://github.com/sammy-suyama/JuliaBayesBook [主な内容] 第1章 Juliaの基礎 1.1 Juliaとは 1.2 基本文法 1.3 パッケージの利用 1.4 グラフの描画 第2章 数値計算の基礎 2.1 ベクトル・行列計算 2.2 統計量の計算 2.3 統計量と確率分布のパラメータ 2.4 微分計算 2.5 関数の最適化 2.6 最適化によるカーブフィッティング 2.7 積分計算 第3章 確率計算の基礎 3.1 表を使った確率計算 3.2 式を使った確率計算 3.3 連続値における周辺分布と条件付き分布 3.4 確率的試行のシミュレーション 第4章 確率分布の基礎 4.1 確率分布とは 4.2 Juliaでの確率分布の扱い(Distributions.jl) 4.3 離散型確率分布 4.4 連続型確率分布 4.5 統計モデルの設計 第5章 統計モデリングと推論 5.1 ベルヌーイモデル 5.2 線形回帰 5.3 ロジスティック回帰モデル 第6章 勾配を利用した近似推論手法 6.1 なぜ勾配を利用するのか 6.2 ラプラス近似 6.3 ハミルトニアンモンテカルロ法 第7章 発展的な統計モデル 7.1 ポアソン回帰 7.2 階層ベイズモデル 7.3 状態空間モデル 第1章 Juliaの基礎 1.1 Juliaとは 1.2 基本文法 1.3 パッケージの利用 1.4 グラフの描画 第2章 数値計算の基礎 2.1 ベクトル・行列計算 2.2 統計量の計算 2.3 統計量と確率分布のパラメータ 2.4 微分計算 2.5 関数の最適化 2.6 最適化によるカーブフィッティング 2.7 積分計算 第3章 確率計算の基礎 3.1 表を使った確率計算 3.2 式を使った確率計算 3.3 連続値における周辺分布と条件付き分布 3.4 確率的試行のシミュレーション 第4章 確率分布の基礎 4.1 確率分布とは 4.2 Juliaでの確率分布の扱い(Distributions.jl) 4.3 離散型確率分布 4.4 連続型確率分布 4.5 統計モデルの設計 第5章 統計モデリングと推論 5.1 ベルヌーイモデル 5.2 線形回帰 5.3 ロジスティック回帰モデル 第6章 勾配を利用した近似推論手法 6.1 なぜ勾配を利用するのか 6.2 ラプラス近似 6.3 ハミルトニアンモンテカルロ法 第7章 発展的な統計モデル 7.1 ポアソン回帰 7.2 階層ベイズモデル 7.3 状態空間モデル

みんなのレビュー
まだレビューはありません
No.36
57

自然言語処理編

みんなのレビュー
ゼロから分かるディープラーニングシリーズはどれも非常に分かりやすい。こちらの自然言語処理編は前作を読みディープラーニングの基本を理解してより高度なアーキテクチャを学びたいと思った時にオススメ。レベルは少々上がっているがそれでも分かりやすく学べる。RNNやLSTMなどが学べる
No.37
57

最短経路で平易に理解できる、今までにない入門書!「モデルの構築→推論の導出」という一貫した手順でアルゴリズムの作り方を解説。 最短経路で平易に理解できる、今までにない入門書! ベイズ主義機械学習(ベイズ学習)の基本原理にのっとり、「モデルの構築→推論の導出」という一貫した手順でアルゴリズムの作り方を解説。どこまでも分かりやすい! 【主な内容】 1 機械学習とベイズ学習 2 基本的な確率分布 3 ベイズ推論による学習と予測 4 混合モデルと近似推論 5 応用モデルの構築と推論 【機械学習スタートアップシリーズ】 本シリーズは、「機械学習ブーム」の先駆けとして2015年から刊行されている『機械学習プロフェッショナルシリーズ』の弟分的な存在を目指す、注目の新シリーズです。 「機械学習をもっと身近に、機械学習をもっとわかりやすく!」を合言葉に、より丁寧な記述で、基本的なテーマを解説していきます。 まず、以下の2点を同時に刊行いたします(^o^)/ 『これならわかる深層学習入門』瀧 雅人・著 『ベイズ推論による機械学習入門』須山 敦志・著/杉山 将・監修 第1章 機械学習とベイズ学習 機械学習とは/機械学習の代表的なタスク/機械学習の 2 つのアプローチ/確率の基本計算/グラフィカルモデル/ベイズ学習のアプローチ 第2章 基本的な確率分布 期待値/離散確率分布/連続確率分布 第3章 ベイズ推論による学習と予測 学習と予測/離散確率分布の学習と予測/1次元ガウス分布の学習と予測/多次元ガウス分布の学習と予測/線形回帰の例 第4章 混合モデルと近似推論 混合モデルと事後分布の推論/確率分布の近似手法/ポアソン混合モデルにおける推論/ガウス混合モデルにおける推論 第5章 応用モデルの構築と推論 線形次元削減/非負値行列因子分解/隠れマルコフモデル/トピックモデル/テンソル分解/ロジスティック回帰/ニューラルネットワーク

みんなのレビュー
まだレビューはありません
No.38
57

StanとRでベイズ統計モデリング

みんなのレビュー
まだレビューはありません
No.39
57

個人の地域密着型アウトドアショップがデジタルマーケティングで業績を飛躍的にアップさせていくストーリーに乗せて、DMの基礎を… 個人の地域密着型アウトドアショップがデジタルマーケティングで業績を飛躍的にアップさせていくストーリーに乗せて、DMの基礎を学ぶ

みんなのレビュー
デジタルマーケティングとデータ分析について漫画で分かりやすく学べる。基本的な内容が網羅的に学べるのでデジタルマーケティング職についたばかりのビジネスパーソンや個人事業や中小企業でこれからデジタルに力を入れようとしている経営者にオススメ!
No.40
57
みんなのレビュー
まだレビューはありません
No.43
57
みんなのレビュー
まだレビューはありません
No.44
57
みんなのレビュー
「はじめての」とついているが入門書ではなく結構難しい。ただ、機械学習の様々な手法が数式から学べるため中級者〜上級者には良いと思う。他の入門書で機械学習の概要を掴んだ後に読むべき本。
No.46
57
みんなのレビュー
まだレビューはありません
No.47
57
みんなのレビュー
機械学習の手法やテクニックにフォーカスした書籍ではなくて、機械学習を仕事に取り入れるためにはどうすればよいのか?どういうところに注意しなくてはいけないのかがまとめられた書籍。実務で機械学習を利用している人利用する可能性のある人は絶対に読むべき書籍。そもそも本当に機械学習を使う必要があるのかということをしっかり考える、機械学習ありきのプロジェクトは必ず失敗する。
No.48
57
みんなのレビュー
まだレビューはありません
No.49
57

ベイズ統計学の基礎知識が深まるよう配慮  今日、複雑な構造をもつ種々の問題を考察するうえで、ベイズ的方法は非常に有効なアプローチとして認識されている。ベイズ統計解析では、とくにモデリングの技法とパラメータ推定に関する計算法の占める比重が高く、Rとの相性が非常によい。著者は、本書を通読することで、ベイズ統計学に関する理解が深まるよう配慮している。また、本書は応用の側面も重視しており、分析方法の解説および応用例と併せてRによるプログラムを提示する。具体的には、まず、ベイズモデルの基本概念、ベイズ型線形モデルの手法、ベイズ統計解析のためのモンテカルロ法、マルコフ連鎖サンプリング法、および状態空間モデルを説明する。そして、経済時系列の季節調整、時変係数ARモデルおよび時変係数VARモデルなどの状態空間モデルによる時系列解析法を解説し、Rで編成したプログラムを紹介する。さらに、応用例として、時変構造をもつ生産関数モデルの構築、ヒューマンインタフェースのパフォーマンス評価のためのベイズ型モデルなどを取り上げる。 第1章 Rによるファイルの操作とデータの視覚化 1.1 データの入力と出力 1.2 解析対象のデータとファイルの形式 1.3 データの視覚化 第2章 ベイズ統計解析の基礎 2.1 統計モデル 2.2 最尤法とモデルの評価 2.3 ベイズ統計解析の概要 2.4 事後分布の利用 2.5 データの変換 第3章 線形回帰モデルに関するベイズ推測 3.1 線形回帰モデル 3.2 線形回帰モデルの応用例とプログラム 3.3 ベイズ型線形モデル 3.4ベイズ型線形モデルの応用例とプログラム 第4章 ベイズ統計解析のためのモンテカルロ法 4.1 乱数の発生 4.2 ベイズ統計解析とモンテカルロ法 4.3 乱数発生法に関する補足 第5章 マルコフ連鎖サンプリング法 5.1 マルコフ連鎖サンプリング法 5.2 マルコフ連鎖モンテカルロ(MCMC)法 5.3 ギブズ・サンプラーの応用例 第6章 ナイーブベイズ分類器による判別分析 6.1 判別分析の概要 6.2 ナイーブベイズ法による判別分析 6.3 景気動向分析への応用 第7章 状態空間モデルによるベイズ統計解析 7.1 状態空間モデル 7.2 状態の推定 7.3 状態空間モデルによる時系列データの解析 7.4 Rによる数値計算例 第8章 トレンドの推定と季節調整 8.1 トレンドの推定 8.2 トレンド推定の応用例 8.3 季節調整 8.4 トレンド推定と季節調整のプログラム 第9章 循環変動を含む時系列の季節調整 9.1 ARモデルとその周辺 9.2 AR成分付き季節調整モデル 9.3 応用例 9.4 モデル推定のプログラム 第10章 時変係数ARモデル 10.1 導入 10.2 モデルの構築とパラメータの推定 10.3時変係数ARモデルの応用例 10.4 モデル推定のプログラム 第11章 時変係数VARモデル 11.1 VARモデル 11.2 時変係数VARモデル 11.3時変係数VARモデルの応用例 11.4 モデル推定のプログラム 第12章 時変構造をもつCES生産関数のベイズ型モデル 12.1 背景 12.2 モデルの構築 12.3 パラメータの推定 12.4 応用例とモデル推定のプログラム 第13章 ヒューマンインタフェースのパフォーマンス評価 13.1 背景 13.2 Fittsのモデルとそれに対する改良 13.3 モデルの拡張と学習効果のベイズ的推定 13.4 応用例とモデル推定のプログラム

みんなのレビュー
まだレビューはありません
No.50
56
みんなのレビュー
まだレビューはありません
No.51
56
みんなのレビュー
ベイズを深く学びたいならこの書籍は外せない。ただかなり難解なので最初からこれに取り組むと挫折する。
No.52
56

時系列分析の基本概念である「トレンド」「周期変動」「不規則変動」「季節変動」を中心に、グラフの描き方、曲線の当てはめといった基礎的な事柄から、ホワイトノイズ、相関係数、ランダムウォークまでをわかりやすく解説する。不規則な時代21世紀の明日を予測する時系列。 明日を支配する時系列-支配する時系列・支配される時系列 折れ線グラフで時系列データを!-地球は温暖化に向かっているのでしょうか? とってもトレンディー!-右肩上がりの神話 明日を予測する!-曲線の当てはめによる予測 くり返す周期的な変動-インフルエンザ大流行 気ままにホワイトノイズ-気まぐれ、不規則、秋の空? トレンド+くり返し+気まぐれ-イコール時系列 時系列データの変換-しなやかさへの変身!? 指数平滑化-明日を読む! 自己相関係数-時系列に語らせる過去からの記憶 交差相関係数-先行か後行か、それが問題です! 自己回帰AR(p)モデル-モデル探しへのトレッキング 超やさしいカオスとランダムウォーク-21世紀は複雑系

みんなのレビュー
まだレビューはありません
No.54
56
みんなのレビュー
まだレビューはありません
No.55
56

時系列分析のための基本の手順1・2・3 時系列データの入力 時系列データの差分、移動平均、ラグ 時系列データのグラフ表現 自己相関・偏自己相関 交差相関 スペクトル分析 季節性の分解 指数平滑化 時系列データの回帰分析〔ほか〕

みんなのレビュー
まだレビューはありません
No.56
56

時系列分析の基本概念を中心に、各統計手法の基礎的な事項から実データによる予測事例までわかりやすく解説。Excelシート付。 豊富な事例から予測手法のノウハウを解説!  本書は、2006年発行当初から好評を博した『Excelで学ぶ時系列分析と予測』の内容を見直し、Excel2016/2013に対応して発行するものです。  第1部で時系列分析の基礎を解説し、時系列分析の手法の仲間である単回帰分析、重回帰分析、成長曲線、最近隣法、灰色理論の理論を解説します。  第2部では平均株価、売り上げ、需要予測、製品寿命予測等の身近なデータを使ってExcelで解析・予測します。時系列分析の基本概念である「トレンド」「周期変動」「不規則変動」「季節変動」を中心に、各統計手法の基礎的な事項から実データによる予測事例までわかりやすく解説していきます。 はじめに 第1部 時系列分析(解説編)1 第1章 時系列分析とは 第2章 単回帰分析 第3章 重回帰分析 第4章 成長曲線 第5章 従来の予測手法 第6章 最近隣法 第7章 灰色理論 第2部 具体的データによる予測事例 第8章 単回帰分析による予測 第9章 重回帰分析による予測. 第10章 成長曲線による予測 第11章 最近隣法による予測 第12章 灰色理論による予測 第13章 予測精度を上げるために あとがき―上田太一郎氏を偲んで―

みんなのレビュー
まだレビューはありません
No.57
56
みんなのレビュー
まだレビューはありません
No.58
56

主に医療統計で好んで使われる統計手法を取り上げて解説。Excelを使って実習できるため理解が促進する内容。 Excelと例題でばっちり身につく!!  本書は主に医療統計で好んで使われる統計手法を取り上げています。薬品や治療によってどのくらい命が変わってくるかという考えは商品寿命にも応用できるので、製造業の方にも使えます。Excelを使って実習することにより、計算が難しいロジスティック回帰分析や生存時間解析などを理解することができます。 はじめに 本書の使い方 1章 多変量解析の概要 2章 ロジスティック回帰 3章 数量化2類 4章 多群数量化2類 5章 拡張型数量化2類 6章 生存時間解析―カプランマイヤ法とCox比例ハザードモデル 7章 時系列分析

みんなのレビュー
まだレビューはありません
No.59
56

図解速習DEEP LEARNING

増田 知彰
シーアンドアール研究所
みんなのレビュー
まだレビューはありません
No.60
56

多機能でありながら無料で使える統計解析ソフト「R」。その利便性からもRによるデータ処理がますます広がっている。一方,統計学の入門的知識があっても,このソフトに敷居の高さを感じる人は少なくない。はじめてRに触れる初学者対象に,Rを使っての統計解析の最初の一歩を踏み出すための説明をコンパクトにまとめた。 はじめに 1章 Rのインストール 2章 R Consoleにおける簡単な計算と統計解析  2-1 2章で学ぶこと  2-2 簡単な計算  2-3 簡単な統計解析  2-4 データの型  2-5 Rで困ったとき  2-6 2章で学んだこと 3章 データファイルの読み込み・Rエディタの利用  3-1 3章で学ぶこと  3-2 データファイルの作成  3-3 データファイルの読み込み  3-4 Rエディタの利用  3-5 3章で学んだこと 4章 記述統計  4-1 4章で学ぶこと  4-2 データファイルの作成  4-3 データの図表化    4-3-1 ヒストグラム    4-3-2 散布図    4-3-3 度数分布表・棒グラフ・クロス集計表  4-4 基本統計量の算出    4-4-1 基本統計量の算出    4-4-2 属性別算出  4-5 相関係数の算出    4-5-1 共分散    4-5-2 相関係数    4-5-3 属性別算出  4-6 欠損値のあるデータの処理    4-6-1 欠損値のあるデータの作成    4-6-2 欠損値のあるデータからの平均値の算出    4-6-3 欠損値のあるデータからの相関係数の算出  4-7 4章で学んだこと 5章 相関係数の検定・t検定・カイ2乗検定  5-1 5章で学ぶこと  5-2 相関係数の検定  5-3 対応のない場合のt検定  5-4 対応のある場合のt検定  5-5 カイ2乗検定  5-6 5章で学んだこと 6章 分散分析  6-1 6章で学ぶこと  6-2 1要因分散分析(対応なし)  6-3 1要因分散分析(対応あり)  6-4 1要因分散分析(対応あり)~データの並べ替えを伴う場合  6-5 2要因分散分析(2要因とも対応なし)  6-6 2要因分散分析(2要因とも対応あり)  6-7 2要因分散分析(2要因とも対応あり)~データの並べ替えを伴う場合  6-8 2要因分散分析(混合計画)  6-9 2要因分散分析(混合計画)~データの並べ替えを伴う場合  6-10 アンバランスデザインの分散分析  6-11 6章で学んだこと 引用文献 索引(事項/関数) おわりに

みんなのレビュー
まだレビューはありません
No.64
56

Now in its third edition, this classic book is widely considered the leading text on Bayesian methods, lauded for its accessible, practical approach to analyzing data and solving research problems. Bayesian Data Analysis, Third Edition continues to take an applied approach to analysis using up-to-date Bayesian methods. The authors-all leaders in the statistics community-introduce basic concepts from a data-analytic perspective before presenting advanced methods. Throughout the text, numerous worked examples drawn from real applications and research emphasize the use of Bayesian inference in practice. New to the Third Edition Four new chapters on nonparametric modeling Coverage of weakly informative priors and boundary-avoiding priors Updated discussion of cross-validation and predictive information criteria Improved convergence monitoring and effective sample size calculations for iterative simulation Presentations of Hamiltonian Monte Carlo, variational Bayes, and expectation propagation New and revised software code The book can be used in three different ways. For undergraduate students, it introduces Bayesian inference starting from first principles. For graduate students, the text presents effective current approaches to Bayesian modeling and computation in statistics and related fields. For researchers, it provides an assortment of Bayesian methods in applied statistics. Additional materials, including data sets used in the examples, solutions to selected exercises, and software instructions, are available on the book's web page. FUNDAMENTALS OF BAYESIAN INFERENCE Probability and Inference Single-Parameter Models Introduction to Multiparameter Models Asymptotics and Connections to Non-Bayesian Approaches Hierarchical Models FUNDAMENTALS OF BAYESIAN DATA ANALYSIS Model Checking Evaluating, Comparing, and Expanding Models Modeling Accounting for Data Collection Decision Analysis ADVANCED COMPUTATION Introduction to Bayesian Computation Basics of Markov Chain Simulation Computationally Efficient Markov Chain Simulation Modal and Distributional Approximations REGRESSION MODELS Introduction to Regression Models Hierarchical Linear Models Generalized Linear Models Models for Robust Inference Models for Missing Data NONLINEAR AND NONPARAMETRIC MODELS Parametric Nonlinear Models Basic Function Models Gaussian Process Models Finite Mixture Models Dirichlet Process Models APPENDICES A: Standard Probability Distributions B: Outline of Proofs of Asymptotic Theorems C: Computation in R and Stan Bibliographic Notes and Exercises appear at the end of each chapter.

みんなのレビュー
まだレビューはありません
No.65
56

Pythonで書かれたサンプルコードを使って実際に手を動かしながら統計が学べる、プログラマのための統計入門の決定版。 Pythonコードを使って解説する統計入門書、待望の改訂版! 「プログラミングのスキルを統計の理解に役立てよう」というコンセプトのもと、数学的な観点から語られることが多い統計について、計算処理の観点から説明し、実際にPythonのコードを示し、実データを分析しながら統計の基礎を解説したものとして人気を博した第1版を全面的にアップデート。新しいツールやライブラリを使った統計手法を示すほか、回帰、時系列分析、生存分析について新たな章を追加しました。Pythonで書かれたサンプルコードを使って実際に手を動かしながら統計が学べる、プログラマのための統計入門の決定版。

みんなのレビュー
まだレビューはありません
No.66
56

Time Series Analysis

Hamilton, James D.
Princeton Univ Pr
みんなのレビュー
まだレビューはありません
No.67
56
みんなのレビュー
まだレビューはありません
No.68
56

ネットワーク分析

みんなのレビュー
まだレビューはありません
No.69
56
みんなのレビュー
まだレビューはありません
No.70
56
みんなのレビュー
異常検知について学ぶならこの本!非常に分かりやすく様々なアプローチについて学べる。PythonではなくてRでの実装なので注意
No.71
56
みんなのレビュー
まだレビューはありません
No.72
56

情報論的学習理論からアプローチした書  大量のデータから知識の宝を掘り出す「データマイニング」という技術が注目されている。その中でも「異常検知」という問題は、セキュリティ、障害検出、情報漏洩対策、マーケティングなど幅広い応用可能性を秘めている。本書はデータマイニングによる異常検知に特化して書かれた日本で初めての書である。  著者は、実際に企業の研究開発の現場でデータマイニングの基礎研究から事業化へと携わってきた。本書では、その豊富な経験を基に、深い数理工学的基礎に基づきながらも現実に通用するデータマイニングの実際を説き明かす。  本書の特徴の1つは、「情報論的学習理論」と呼ばれる機械学習の先端理論をベースに、異常検知問題に統一的にアプローチしていることである。これによって、異常検出の一貫した方法論を展開している。  もう1つの特徴は、豊富な事例を用いて、異常検知の方法論を例解していることである。事例には、侵入検出、Webの攻撃検出、TOPIXデータの異常検出、不審医療行為の検出、障害予兆検出、なりすまし検出などが含まれ、データマイニングを現実問題に適用したい研究者にとっては貴重な事例集にもなっている。 第1章 データマイニングにおける異常検知 1.1 異常検知の位置づけ 1.2 セキュリティ分野からの要請 1.3 障害検出・故障診断からの要請 1.4 詐欺検出からの要請 第2章 異常検知の基本的考え方 第3章 外れ値検出 3.1 侵入検知と外れ値検出 3.2 マハラノビス距離に基づく外れ値検出 3.3 外れ値検出エンジンSmartSifter   3.3.1 SmartSifterの基本原理   3.3.2 SDLEアルゴリズム   3.3.3 SDEMアルゴリズム   3.3.4 SDPUアルゴリズム 3.4 外れ値検出の応用例   3.4.1 ネットワーク侵入検出への応用   3.4.2 不審医療データの検出への応用 3.5 アンサンブル学習に基づく外れ値検出の強化 3.6 外れ値検出からセキュリティ知識の発見へ   3.6.1 外れ値フィルタリングルールの生成   3.6.2 確率的決定リストの学習   3.6.3 ネットワーク侵入検出への応用 3.7 外れ値検出の動向 第4章 変化点検出 4.1 未知ウイルスの早期検知と変化点検出 4.2 統計的検定に基づく変化点検出 4.3 変化点検出エンジンChangeFinder   4.3.1 ChangeFinderの基本原理   4.3.2 SDARアルゴリズム 4.4 変化点検出の応用例   4.4.1 攻撃検知への応用その1: MS.Blast   4.4.2 攻撃検知への応用その2: LOVGATE   4.4.3 階層的変化点検出に基づくDDOS攻撃の検知   4.4.4 東証株価指数の変化点検出 4.5 変化点検出の動向 第5章 異常行動検出 5.1 サイバー犯罪の検出と異常行動検出 5.2 ナイーブベイズ法による異常行動検出 5.3 異常行動検出エンジンAccessTracer   5.3.1 AccessTracerの基本原理   5.3.2 行動モデリング   5.3.3 SDHMアルゴリズム   5.3.4 動的モデル選択   5.3.5 異常スコアリング 5.4 異常行動検出の応用例   5.4.1 なりすまし検出への応用   5.4.2 Syslogからの障害検出への応用1: 問題設定と前処理   5.4.3 Syslogからの障害検出への応用2: 障害予兆検出   5.4.4 Syslogからの障害検出への応用3: 新障害パタンの同定   5.4.5 Syslogからの障害検出への応用4: 障害の相関分析 5.5 異常行動検出の動向 第6章 集合型異常検知 6.1 Web攻撃検知と集合型異常検知 6.2 集合型異常検知の基本原理 6.3 集合型異常検知の応用例: Web攻撃検知 6.4 Web攻撃検知の動向 第7章 潜在的異常検知 7.1 潜在的異常とは? 7.2 潜在的異常検知の基本原理 7.3 モデル変動ベクトルの解釈 7.4 潜在的異常検知の応用例   7.4.1 実験の設定   7.4.2 人工データへの適用   7.4.3 なりすまし検出への適用 第8章 数学的手段:情報論的学習理論とその周辺 8.1 EMアルゴリズムとオンライン忘却型学習アルゴリズム 8.2 ヘリンジャー距離の近似的計算方法 8.3 Burge and Shawe-Taylorのアルゴリズム 8.4 モデル選択とMDL規準   8.4.1 MDL規準と確率的コンプレキシティ   8.4.2 MDL推定の収束速度   8.4.3 逐次的符号化とMinimax Regret   8.4.4 予測的確率的コンプレキシティ   8.4.5 ベイズ符号化とMixture形式の確率的コンプレキシティ 8.5 拡張型確率的コンプレキシティ   8.5.1 拡張型確率的コンプレキシティと一般化MDL   8.5.2 一般化MDLの収束速度   8.5.3 拡張型確率的コンプレキシティとMinimax Regret 8.6 動的モデル選択 8.7 対象化モデル変動ベクトルの分解 第9章 おわりに 9.1 今後の発展:ネットワーク異常検知 9.2 現実の問題に向かうために 9.3 まとめ 参考文献

みんなのレビュー
まだレビューはありません
No.73
56

機械学習による異常検知および予測のしくみを解説。全例題Pythonコード付きで、例題を実行しながら実践的な内容までフォロー。 機械学習による異常検知の基本と応用がわかる! 本書は、機械学習による異常検知および予測のしくみを解説します。読者が新しい異常検知システムを自ら構築できるようになることを最終目標とし、機械学習の基本概念からていねいに解説していきます。 機械学習について誤差関数を中心に理解を深めることによって「外れ値とはなにか」「閾値はどのように設定すればよいか」といった異常検知における基本が自然と理解できます。そういった基礎から入りつつ、実際に時系列データを分析する際の手法と注意点(第3章)や、深層学習を用いた応用手法(第4章)といった実践的な内容まで踏み込み、最終的には自ら異常検知システムを構築できるよう導きます。 全例題Pythonのコード付きなので、例題を実行しながらハードルの低い内容から実践的な内容までフォローできる入門書です。 <本書の特徴> ・誤差を中心に機械学習の原理を理解することで、異常検知の基本的な概念が自然と理解できます。 ・基本的な原理(第1章・第2章)だけでなく、実践的な手法(第3章)や最新の手法(第4章)まで学ぶことができます。 ・全例題Pythonコード付きなので、手を動かしながら学習することができます。 機械学習による異常検知および予測のしくみを解説。全例題Pythonコード付きで、例題を実行しながら実践的な内容までフォロー。

みんなのレビュー
まだレビューはありません
No.74
56
みんなのレビュー
まだレビューはありません
No.75
56

岩波データサイエンス Vol.3

岩波データサイエンス刊行委員会
岩波書店

【特集】「因果推論——実世界のデータから因果を読む」 〈特集まえがき〉(立森久照・林岳彦・伊庭幸人・星野崇宏) ・ ・因果推論ことはじめ(立森久照) ・〈コラム〉時系列の因果と相関(伊庭幸人) ・相関と因果と丸と矢印のはなし—はじめてのバックドア規準(林岳彦・黒木学) ・準実験のデザイン—観察データからいかに因果関係を導き出すか(津川友介) ・統計的因果効果の基礎—特に傾向スコアと操作変数を用いて(星野崇宏) ・ ・因果効果推定の応用—CM接触の因果効果と調整効果(加藤諒・星野崇宏) ・傾向スコアを用いたバント効果の推定——ノーアウト1塁のバントは,得点確率を有意に高めるか!?(中村知繁・南美穂子) ・差の差法で検証する「保育所整備」の効果—社会科学における因果推論の応用(山口慎太郎) ・〈コラム〉モンテカルロ法と傾向スコア(伊庭幸人) ・〈コラム〉グラフ表現超速習——無向グラフと有向グラフのまとめ(伊庭幸人) 【連載】 ・正定値行列の情報幾何-(2)(小原敦美・土谷 隆) ・確率と論理を融合した確率モデリングへの道-(3)(最終回)(佐藤泰介) 【その他・小説】 ・計算機で作る面白いナンプレ(3)(とん) ・掌編小説《海に溺れて》第3回 確信(円城塔)

みんなのレビュー
まだレビューはありません
No.76
56

名著をリニューアル! あなたの課題に適したモデルをつくる、評価する、改良する、すべての段階に必要なことがこの1冊に。 ◆◆ロングセラー、10年ぶりの改訂◆◆ ・全ページをフルカラー化したので、図表もさらにわかりやすく! ・非定常時系列データ解析の基本を加筆(第8章を新設) データの見方や考え方から述べられた本当にほしかった入門書。 それぞれがもつ「予測したい」課題に自ら取り組むための基本を1冊にまとめた。 「モデリングが使えるということはわかった、これからは使いたい!」という人は必読。 統計のプロ中のプロが伝授する「匠の技」「匠の知恵」コラムも多数収録。 【推薦の言葉】 本書は予測のための統計的モデリングの方法を,基礎から具体的実践例に亘るまで明快に解説している特色ある著作である. 平易な記述でベイズの定理などの基礎から粒子フィルタやデータ同化などの先端的な内容までをカバーしている. 便利なブラックボックス型のAI予測では飽き足らず,自分が抱える具体的な課題に対して自らのアイデアを投入し,説明可能な予測をしてみようと思い立った人には必読の書である. ――北川 源四郎先生(東京大学特任教授、数理・データサイエンス教育強化拠点コンソーシアム 議長) 【まえがき(抜粋)】 統計学の強みは,生成モデルの構築に関する,さまざまな知見とノウハウの蓄積,またモデルに基づく意思決定の綿密な評価にある.ある種,モデリングに関する匠の技とも言える暗黙知に,統計学の存在感が増していくであろう.読者が本書を通じてこの暗黙知を習得されることを期待したい. 【目次】 〈基礎編〉 第1章 予測とは何かを考える 第2章 確率による記述:基礎体力をつける 第3章 統計モデル:予測機能を構造化する 第4章 計算アルゴリズム1:予測計算理論を学ぶ 〈展開編〉 第5章 計算アルゴリズム2:モデルを進化させる 第6章 粒子フィルタ:予測計算を実装する 第7章 乱数生成:不確実性をつくる 〈実践編〉 第8章 時系列解析の基本:傾向をつかむ 第9章 経験知の総結集:売上予測の精度を上げる 第10章 データ同化:シミュレーションの予測性能を向上させる 第11章 確率ロボティクス:お掃除ロボをつくる 〈基礎編〉 第1章 予測とは何かを考える  1.1 居酒屋の売上高の予測  1.2 期待感を数式で表す  1.3 パターンの表現 第2章 確率による記述:基礎体力をつける  2.1 確率の基礎  2.2 最適化問題から統計モデルへ 第3章 統計モデル:予測機能を構造化する  3.1 状態空間モデル  3.2 鎖状構造グラフィカルモデル  3.3 多次元ノイズの分布モデル 第4章 計算アルゴリズム1:予測計算理論を学ぶ  4.1 事後周辺分布  4.2 非線形フィルタリング  4.3 平滑化アルゴリズム  4.4 状態ベクトルの推定と予測誤差 〈展開編〉 第5章 計算アルゴリズム2:モデルを進化させる  5.1 状態ベクトルの拡大  5.2 学習によるモデルの改良 第6章 粒子フィルタ:予測計算を実装する  6.1 分布の近似  6.2 アルゴリズム  6.3 粒子フィルタの図説 第7章 乱数生成:不確実性をつくる  7.1 リサンプリングの実装  7.2 システムノイズの生成法  7.3 賢いリサンプリング  7.4 粒子フィルタの実装例 〈実践編〉 第8章 時系列解析の基本:傾向をつかむ  8.1 定常と非定常:非定常の特徴を目で確認する  8.2 定常化:原データにいろいろな操作を加える  8.3 非定常成分の抽出:シンプルな状態空間モデルを非定常データに適用する 第9章 経験知の総結集:売上予測の精度を上げる  9.1 観測モデル:データを徹底的に要素に分解する  9.2 勘と経験をとり込む  9.3 外生変数の影響を柔軟に表現する  9.4 状態空間モデルにまとめる  9.5 結果 第10章 データ同化:シミュレーションの予測性能を向上させる  10.1 シミュレーション計算  10.2 データ同化の状態空間モデルへの埋め込み  10.3 逐次データ同化 第11章 確率ロボティクス:お掃除ロボをつくる  11.1 自己位置推定問題  11.2 一般状態空間モデル表現  11.3 実際の適用

みんなのレビュー
まだレビューはありません
No.77
56

実証のための計量時系列分析

ウォルター・エンダース
有斐閣

世界的に定評のあるマクロ計量経済学の体系テキストを,日本の読者向けに説明を追加したり,一分説明を省いたりし,訳出。ARMAモデル,GARCHモデル,単位根検定,VARモデル,共和分分析,非線形推定といった時系列分析手法の実践手順を丁寧に解説。 第1章 差分方程式 第2章 定常時系列モデル 第3章 ボラティリティ 第4章 トレンド 第5章 多変量時系列モデル 第6章 共和分と誤差修正モデル 第7章 非線形モデルと構造変化

みんなのレビュー
まだレビューはありません
No.78
56
みんなのレビュー
まだレビューはありません
No.79
56

確率・統計の基礎から因果関係を識別するための応用手法,マクロ経済データの時系列分析の解説まで扱う。また分析手法の理論的説明だけでなく,その手法を用いた実証例を紹介して理解を深めることができる。演習問題やデータ提供などのウェブサポートも充実。 第1章 計量経済学の目的と特徴 第Ⅰ部 基礎編:実証分析のための基礎知識  第2章 データの整理と確率変数の基礎  第3章 統計理論の基礎  第4章 線形単回帰モデルの推定と検定  第5章 重回帰モデルの推定と検定 第Ⅱ部 ミクロ編:ミクロデータの分析手法  第6章 パネルデータ分析  第7章 操作変数法  第8章 制限従属変数モデル  第9章 政策評価モデル 第Ⅲ部 マクロ編:時系列データの分析手法  第10章 系列相関と時系列モデル  第11章 トレンドと構造変化  第12章 VAR モデル 付録  A 線形代数と漸近理論の基礎  B 回帰分析の漸近理論  C 実証研究の手引き  D 文献・学習ガイド

みんなのレビュー
まだレビューはありません
No.80
56

状態空間時系列分析入門

コマンダー,J.J.F.
シーエーピー出版
みんなのレビュー
まだレビューはありません
No.81
56

 日本知能情報ファジィ学会 2019年度著述賞 受賞!  ファジィ理論と統計とのかかわりについて説明した,ファジィ理論が有用なツールになることを理解できる一冊。本書を通してファジィ理論を統計へ応用する際の足掛かりが得られるだろう。本書は,初等的な集合論,確率・統計に関する基本的知識があれば十分で,時系列解析およびファジィ理論を知るために最適な入門書となっている。  時系列解析については,基本的な内容から専門的な内容までを扱い,ファジィシステムを応用した非線形モデルについて紹介している点も本書の特徴と言えよう。このモデルはシンプルで取り扱いやすく,有用であるが,紹介している書籍はほとんどない。さらに,非定常過程への応用として,トレンドを推定するための移動平均法と曲線のあてはめを行う多項式回帰の中間に位置づけられるファジィトレンドモデルも紹介している。  本書を通して,ファジィ理論における方法論や,モデルの中には簡単に統計的応用に結び付けられるものがあり,統計的方法をより豊かにしうることを理解できるだろう。さらには,本書で提供している材料を足がかりとして,ファジィ理論本来の対象である主観的あいまいさを統計的に解析するための議論へつながっていくことも期待している。 第1章 ファジィ理論と統計 第2章 ファジィ集合 2.1 クリスプ集合とファジィ集合 2.2 基本的な演算 2.3 分解原理と拡張原理 2.4 直積 第3章 ファジィシステム 3.1 ファジィ関係 3.2 ファジィシステム 3.3 ファジィ推論 3.4 ファジィ制御 3.5 高木-菅野のファジィシステム 第4章 時系列モデル 4.1 時系列解析の基本 4.2 確率過程 4.3 時系列モデル 4.4 推定  4.4.1 概観  4.4.2 自己回帰モデルの推定 4.5 予測 4.6 時系列の分解と自己回帰モデルの推定の例  4.6.1 時系列データ  4.6.2 時系列の分解  4.6.3 自己回帰モデルの推定 第5章 非線形時系列モデル 5.1 線形と非線形 5.2 決定論的システムと確率的システム  5.2.1 カオス  5.2.2 ロジスティック写像 5.3 非線形自己回帰モデル 5.4 閾値モデル 第6章 ファジィ時系列モデル 6.1 ファジィ自己回帰モデル  6.1.1 高木-菅野のファジィシステムによるモデル  6.1.2 モデルの例  6.1.3 同定  6.1.4 推定  6.1.5 適用例 6.2 ファジィTARモデル  6.2.1 TARモデルのファジィ化  6.2.2 同定と推定  6.2.3 適用例 第7章 ファジィトレンドモデル 7.1 トレンドの推定法 7.2 ファジィトレンドモデル  7.2.1 同定と推定  7.2.2 適用例  7.2.3 季節成分を持つファジィトレンドモデル  7.2.4 季節成分のあるモデルの適用例  7.2.5 多変量ファジィトレンドモデル 参考文献 索  引

みんなのレビュー
まだレビューはありません
No.82
56

大学初年次の数学知識で理解できるように記述 ファジィ理論は、あいまいな情報を定量的に解析し評価する科学として、1965年にL.A.ザデー教授により提唱された。当初は工学分野で発展した理論であるが、今日では人間科学や社会科学などの人間の思考や判断を対象とするソフトサイエンスの分野にも広く応用されている。本書は、基礎理論、応用事例として数学教育を中心とする教育、および心理学に関する分析が柱となっている。読者としては理工学部2年生から社会人までを対象としているが、大学初年次の数学の理解があれば読み解くことができるよう工夫されている。 第1章 ファジィ理論の基礎 1.1 ファジィ集合の概念とメンバーシップ関数 1.2 ファジィ関係 1.3 ファジィ推論 1.4 ファジィ決定 1.5 T-ノルム,S-ノルム 第2章 ファジィグラフの解析 2.1 クラスター分析 2.2 連結構造分析 2.3 近似構造分析 第3章 ファジィグラフの応用 3.1 ソシオメトリー分析 3.2 教材構造分析 3.3 意識調査 第4章 ファジィ推論の応用 4.1 教育評価 4.2 学習感情分析 4.3 競技者評定 第5章 トピックス 5.1 クラスタリングの評定法 5.2 ファジィノードファジィグラフ 5.3 AND-OR 構造分析 5.4 ファジィ推論の単調性 5.5 教育評価の比較分析 5.6 AIC 5.7 金融経済分析

みんなのレビュー
まだレビューはありません
No.83
56

1 ニューラルネットワークとファジィ信号処理の概要 2 階層型ニューラルネットワークによる信号処理 3 相互結合型ニューラルネットワークによる信号処理 4 あいまいさとファジィ集合 5 ファジィ推論とファジィ信号処理 6 ニューラルネットワークとファジィ信号処理の応用 7 人間の並列処理モデルと知的信号処理

みんなのレビュー
まだレビューはありません
No.84
56

ファジィ集合最適化

正道, 金
弘前大学出版会

ファジィ理論は、人間の判断などの曖昧性を適切かつ厳密に表現し解析する分野である。  本書は、ファジィ集合値写像を目的関数としてもつ数理計画問題を初めて扱った数学の専門書である。前半は、高校数学程度を前提として、集合論からファジィ理論まで非常に丁寧に解説されている。後半は、理論面でも応用面でも今後発展が大きく期待されるファジィ集合値解析およびファジィ集合最適化について初の解説が試みられている。  数理系分野に興味がある学部生から、数理系分野を専門としている大学院生・研究者まで幅広く推薦したい著書である。 第1章  集合と写像 第2章  ユークリッド空間 第3章  数列と点列の極限 第4章  関数の連続性 第5章  凸解析 第6章  集合値解析 第7章  ファジィ理論 第8章  ファジィ集合値解析 第9章  ファジィ集合最適化 解答/参考文献/索引

みんなのレビュー
まだレビューはありません
No.85
56

ファジイ制御

菅野 道夫
日刊工業新聞社

1. ファジイ理論 2. ファジィ集合 3. ファジィ数とその演算 4. ファジィ関係 5. ファジィ論理 6. ファジィ制御 7. プラントのファジィモデル

みんなのレビュー
まだレビューはありません
No.86
56

ランダムウォークを拡張したモデルである「相関付ランダムウォーク」と「量子ウォーク」を紹介し、新しい時系列モデルを提案する。 ランダムウォークを拡張したモデルである「相関付ランダムウォーク」と「量子ウォーク」を紹介し、新しい時系列モデルを提案する。 第1章 ランダムウォーク 1.1 ランダムウォーク・相関付ランダムウォーク・量子ウォーク 1.2 定義と確率測度 1.3 モーメントの計算 1.4 特性関数 1.5 極限定理 第2章 相関付ランダムウォーク 2.1 相関付ランダムウォークとは 2.2 定義 2.3 確率測度 2.4 特性関数,モーメント 2.5 極限定理 2.6 時間発展対称な相関付ランダムウォーク 2.7 ランダムウォーク再訪 第3章 量子ウォーク 3.1 量子ウォークとは 3.2 定義 3.3 確率分布の計算(組合せ論的手法) 3.4 量子ウォーク特有の二つの性質 3.5 局在化の例:停留量子ウォーク 3.6 線形的拡散の例:自由量子ウォーク 3.7 特性関数の組合せ論的表現 3.8 新しいタイプの極限定理の紹介 第4章 ランダムウォークによる時系列モデル 4.1 時系列モデルの定義 4.2 1次元モデル 4.3 具体例 4.4 別の期待値 4.5 一般のデータ 4.6 アニールモデル 第5章 相関付ランダムウォークによる時系列モデル 5.1 時系列モデル 5.2 具体例 第6章 量子ウォークによる時系列モデル 6.1 量子ウォークの定義 6.2 時系列モデル 6.3 2状態1次元モデル 6.4 具体例 6.5 相関付ランダムウォークとの違い 第7章 最小二乗法 7.1 最小二乗法の紹介 7.2 時系列の場合 7.3 具体的な例での比較

みんなのレビュー
まだレビューはありません
No.87
56

Pythonのライブラリの1つであるTensorFlowは、ディープラーニングを支える数学的な各種理論を学ぶのに最適なライブラリです。しかし、TensorFlowは学習に必要な計算式を開発者が自ら組み立てねばならないという少し高めのハードルがあります。本書は、TensorFlow2のライブラリを取り上げ、ディープラーニングの基礎理論から2次元フィルター、転移学習、時系列データ、自然言語処理などを楽しく学べる入門書です。 機械学習を学ぶ人や開発に利用してい人が、PythonをとTensorFlowのライブラリを使ってディープラーニングの基礎理論から2次元フィルター、転移学習、時系列データ、自然言語処理などを楽しく学ぶ入門書です。 1章 ディープラーニングとは  1.1 深層学習(ディープラーニング)とは  1.1.1 機械学習の活用例  1.1.2 機械学習とディープラーニングの関係    ■機械学習の主な手法  1.2 ディープラーニングって具体的に何をするの?  1.2.1 ニューラルネットワークのニューロン    ■人工ニューロン    ■学習するということは重み・バイアスを適切な値に更新すること    ■ニューロンの発火をつかさどる「ステップ関数」    ■ニューロンの発火をつかさどる「シグモイド関数」    ■人工ニューロンをネットワーク状に連結する  1.2.2 ディープニューラルネットがディープラーニングを実現する    ■畳み込みニューラルネットワーク(CNN)    ■リカレントニューラルネットワーク(RNN)    ■ドロップアウト、正則化  1.2.3 ディープラーニングのためのライブラリ  1.2.4 ディープラーニングの仕組み  1.2.5 この本で使用するディープラーニング用データセット 2章 開発環境のセットアップとPythonの基礎  2.1 Anacondaの導入  2.1.1 Anacondaのダウンロードとインストール  2.2 仮想環境の構築とライブラリのインストール  2.2.1 専用の仮想環境を構築する  2.2.2 ライブラリのインストール  2.2.3 ライブラリのアップデート  2.3 Jupyter Notebookの使い方  2.3.1 Jupyter Notebookを仮想環境にインストールする  2.3.2 ノートブックを作成する    ■ノートブックを保存するためのフォルダーを作成する    ■ノートブックの作成  2.3.3 ソースコードを入力して実行する    ■Jupyter Notebookのコマンド  2.3.4 ノートブックを閉じて改めて開く    ■ノートブックを閉じる    ■ノートブックを開く  2.3.5 Jupyter Notebookのメニューを攻略する    ■[File]メニュー    ■[Edit]メニュー    ■[View]メニュー    ■[Insert]メニュー    ■[Cell]メニュー    ■[Kernel]メニュー  2.4 Google Colabを便利に使おう!  2.4.1 Googleドライブ上のColab専用のフォルダーにノートブックを作成する    ■ノートブックの作成  2.4.2 セルにコードを入力して実行する  2.4.3 Colabノートブックの機能    ■[ファイル]メニュー    ■[編集]メニュー    ■[表示]メニュー    ■[挿入]メニュー    ■[ランタイム]メニュー    ■[ツール]メニュー    ■GPUを有効にする  2.5 Pythonの演算処理  2.5.1 変数を使って演算する  2.5.2 Pythonが扱うデータの種類    ■ソースコードに説明文を書く    COLUMN リストの中に要素製造装置を入れる(内包表記)①  2.6 Pythonのリスト  2.6.1 リストを作る  2.7 if文とfor文  2.7.1 if文  2.7.2 条件式を作るための「比較演算子」  2.7.3 if...elseで処理を分ける  2.7.4 for文  2.8 関数  2.8.1 処理だけを行う関数  2.8.2 引数を受け取る関数  2.8.3 処理結果を返す関数  2.9 クラス  2.9.1 メソッド  2.9.2 オリジナルのクラスを作る    ■オブジェクトを作成する(クラスのインスタンス化)  2.9.3 オブジェクトの初期化を行う__init__()  2.9.4 インスタンスごとの情報を保持するインスタンス変数    COLUMN リストの中に要素製造装置を入れる(内包表記)② 3章 ディープラーニングの数学的要素  3.1 ニューラルネットワークのデータ表現:テンソル  3.1.1 NumPyのスカラー(0階テンソル)  3.1.2 NumPyのベクトル(1階テンソル)  3.1.3 NumPyの行列(2階テンソル)  3.1.4 3階テンソルとより高階数のテンソル  3.2 ニューラルネットワークを回す(ベクトルの演算)  3.2.1 ベクトルの算術演算  3.2.2 ベクトルのスカラー演算  3.2.3 ベクトル同士の四則演算    ■ベクトル同士の加算と減算  3.2.4 ベクトルのアダマール積を求める  3.2.5 ベクトルの内積を求める  3.3 ニューラルネットワークを回す(行列の演算)  3.3.1 行列の構造  3.3.2 多次元配列で行列を表現する  3.3.3 行列のスカラー演算  3.3.4 行列の定数倍  3.3.5 行列の成分にアクセスする  3.3.6 行列の成分同士の加算・減算をする  3.3.7 行列のアダマール積  3.3.8 行列の内積を求める    ■行列同士の内積を求めてみる  3.3.9 行と列を入れ替えて「転置行列」を作る  3.4 微分  3.4.1 極限(lim)  3.4.2 微分の基礎  3.4.3 微分をPythonで実装してみる    ■数値微分で関数を微分してみる    ■プログラムの実行結果  3.4.4 微分の公式  3.4.5 変数が2つ以上の場合の微分(偏微分)  3.4.6 合成関数の微分    ■合成関数のチェーンルールの拡張    ■積の微分法 4章 ニューラルネットワークの可動部(勾配ベースの最適化)  4.1 ロジスティック回帰を実装した単純パーセプトロンで二値分類を行う  4.1.1 活性化関数による「発火」の仕組み  4.1.2 シグモイド関数    ■シグモイド関数(ロジスティック関数)    ■シグモイド関数の実装  4.1.3 シグモイド関数を活性化関数にしてパラメーターを最適化する    ■最尤推定法と尤度関数    ■対数尤度関数を微分しやすいように、両端に対数をとる    ■対数尤度関数を変形してクロスエントロピー誤差関数にする    ■対数尤度関数の微分    COLUMN シグモイド関数の微分    ■パラメーターの更新式の導出  4.1.4 勾配降下法の考え方    ■学習率の設定    ■勾配降下法の更新式  4.1.5 単純パーセプトロンで論理ゲートを実現する    ■Pythonの標準仕様でAND、NAND、ORゲートを実装する  4.2 XORゲートを多層パーセプトロンで実現する  4.2.1 多層パーセプトロンによるXORゲートの実現    ■XORゲートの実現には、線形分離不可能な二値分類が必要    ■多層パーセプトロンの構造  4.2.2 TensorFlowスタイルによるXORゲートの実装    ■隠れ層(第1層)の作成    ■バイアス、重みの初期化方法    ■出力層(第2層)の作成(データフローグラフ)    ■順伝播処理を行うcall()メソッド    ■BinaryCrossentropyオブジェクトとSGDオブジェクトの生成    ■バックプロパゲーションを実施するtrain_step()関数の定義    ■学習を行う  4.2.3 KerasスタイルによるXORゲートの実装    ■モデルの作成    ■モデルの学習    ■学習結果の確認  4.2.4 PyTorchによるXORゲートの実装    ■モデルの定義    ■モデルの生成    ■損失関数とオプティマイザーの生成    ■勾配降下アルゴリズムによるパラメーターの更新処理    ■学習を行う    ■学習結果の確認 5章 ニューラルネットワーク(多層パーセプトロン)  5.1 フィードフォワードニューラルネットワーク(FFNN)  5.1.1 ニューラルネットワークにおける順方向への伝播    ■FFNNに必要な関数群を実装する    ■入力層→第1層    ■第1層→第2層    ■第2層→出力層    ■第3層  5.2 バックプロパゲーションを利用した重みの更新  5.2.1 誤差が逆方向に伝播される流れを見る  5.2.2 行列の掛け算で誤差逆伝播を一発で計算する    ■一種の正規化因子である行列式の分母を消してしまう  5.2.3 バックプロパゲーション(誤差逆伝播法)    ■出力層の重みを更新する(2乗和誤差の場合)    ■出力層の重みの更新(シグモイド関数を用いるときのクロスエントロピー誤差関数の場合)    ■出力層の重みの更新(ソフトマックス関数を用いるときのクロスエントロピー誤差関数の場合)    ■出力層から1つ手前の層の重みを更新する    ■重みの更新式を一般化する  5.3 ニューラルネットワークの作成  5.3.1 作成するニューラルネットワークの構造  5.3.2 初期化メソッド__init__()、weight_initializer()、sigmoid()、softmax()の作成    ■重みの初期値について考える  5.3.3 入力層の処理  5.3.4 隠れ層の処理  5.3.5 出力層の処理    ■ソフトマックス関数  5.3.6 ニューラルネットワークの順伝播部を完成させる  5.3.7 バックプロパゲーションによる重みの更新    ■出力層の重みの更新    ■隠れ層の重みの更新  5.3.8 テストデータを評価するevaluate()メソッドの定義  5.3.9 Python版ニューラルネットワークの完成  5.4 ファッションアイテムの画像認識  5.4.1 Fashion?MNISTデータセットのダウンロード  5.4.2 Fashion?MNISTデータの前処理    ■画像データの前処理    ■正解ラベルの前処理    COLUMN MNISTデータとFashion-MNISTデータ  5.4.3 ニューラルネットワークでファッションアイテムの学習を行う  5.4.4 ニューラルネットワークの学習精度を検証する  5.5 TensorFlowスタイルによるニューラルネットワークの構築  5.5.1 Fashion-MNISTデータセットの用意  5.5.2 2層ニューラルネットワークでファッションアイテムの画像を認識する    ■確率的勾配降下法    ■ReLU関数    ■隠れ層(第1層)    ■出力層(第2層)    ■モデルの定義を完成させる    ■損失関数とオプティマイザーの生成    ■パラメーターの更新処理    ■モデルを検証する    ■学習の早期終了判定を行うEarlyStoppingクラス    ■訓練データから検証用のデータを抽出する    ■学習の実行    ■損失と精度の推移をグラフにする  5.5.3 ドロップアウトでオーバーフィッティングを回避する    ■隠れ層の出力にドロップアウトを適用する    ■ドロップアウトを適用した結果を確認する  5.6 Kerasによるニューラルネットワークの構築  5.6.1 Kerasを用いたニューラルネットワークの構築    ■Fashion-MNISTデータセットの読み込みと加工    ■Kerasスタイルによるニューラルネットワークの実装    ■学習を実行し、テストデータで検証する    ■損失、正解率をグラフにする  5.7 PyTorchを使ってニューラルネットワークを構築する  5.7.1 データの読み込みと前処理、DataLoaderオブジェクトの生成まで    ■データの加工処理を担うTransformオブジェクトの生成    ■データセットの読み込み    ■DataLoaderオブジェクトの生成  5.7.2 2層ニューラルネットワークでファッションアイテムの画像を認識する    ■モデルの作成    ■損失関数とオプティマイザーの生成    ■パラメーターの更新を行うtrain_step()関数の定義    ■テストデータでモデルの評価を行うtest_step()関数の定義    ■早期終了判定を行うEarlyStoppingクラス    ■学習を行う 6章 画像認識のためのディープラーニング  6.1 ニューラルネットワークに「特徴検出器」を導入する(畳み込みニューラルネットワーク)  6.1.1 2次元フィルターで画像の特徴を検出する    ■2次元フィルター    ■2次元フィルターで手書き数字のエッジを抽出してみる  6.1.2 サイズ減した画像をゼロパディングで元のサイズに戻す  6.1.3 Kerasスタイルによる畳み込みニューラルネットワーク(CNN)の構築    ■入力層    ■畳み込み層    ■Flatten層    ■出力層    ■畳み込みニューラルネットワークのプログラミング    ■畳み込みニューラルネットワーク(CNN)で画像認識を行う  6.2 TensorFlowスタイルによるCNNの構築    ■ライブラリのインポートとデータセットの読み込み    ■畳み込みニューラルネットワーク(CNN)の作成    ■損失関数とオプティマイザーの生成からEarlyStoppingクラスの定義まで    ■学習の実行  6.3 PyTorchによるCNNの構築    ■データの準備からデータローダーの作成まで    ■モデルの定義    ■モデルの生成    ■損失関数とオプティマイザーの生成    ■train_step()関数の定義から早期終了判定を行うクラスの定義まで    ■学習を行う  6.4 プーリングで歪みやズレによる影響を回避する  6.4.1 プーリングの仕組み  6.4.2 プーリング層とドロップアウトを備えた畳み込みネットワークの構築  6.4.3 TensorFlowスタイルによるプログラミング    ■データの読み込みと前処理    ■モデルの定義    ■損失関数とオプティマイザーの生成からEarlyStoppingクラスの定義まで    ■学習を行う  6.5 Kerasスタイルでプーリングを実装したCNNを構築する  6.6 PyTorchによるプーリングを実装したCNNの構築    ■データの読み込み、前処理からデータローダーの作成まで    ■モデルを定義してモデルオブジェクトを生成する    ■損失関数とオプティマイザーの生成    ■train_step()関数の定義から早期終了判定を行うクラスの定義まで    ■学習を行う    COLUMN sparse_categorical_crossentropy 7章 一般物体認識のためのディープラーニング  7.1 カラー画像を10のカテゴリに分類したCIFAR-10データセット  7.1.1 一般物体認識のデータセット「CIFAR-10」を題材にする  7.1.2 KerasでダウンロードしたCIFAR-10のカラー画像を見る  7.1.3 一般物体認識のためのCNNの構造  7.1.4 TensorFlowスタイルでプログラミングしたCNNに飛行機、自動車、イヌ、ネコなどの10種類の画像を認識させてみる    ■畳み込みネットワークの構築    ■損失関数とオプティマイザーの生成    ■学習を実行する関数の定義    ■モデルの検証を行うvalid_step()関数の定義    ■学習の早期終了判定を行うクラスの定義    ■CIFAR-10の画像を学習させる    ■誤差と精度をグラフにする  7.1.5 KerasスタイルでプログラミングしたCNNで飛行機、自動車、イヌ、ネコ…を認識させる    ■CIFAR-10データセットのダウンロードと前処理    ■CNNを構築する関数の定義    ■KerasスタイルのCNNを用いてCIFAR-10を学習する  7.1.6 PyTorchでCIFAR-10の画像認識を行う    ■CIFAR-10をダウンロードして前処理を行う    ■モデルを定義する    ■損失関数とオプティマイザーの生成、学習と評価を行う関数の定義    ■学習を行う  7.2 カラー画像に移動、回転などの処理を加えてデータの水増しを行い、    認識精度を90%に引き上げる  7.2.1 データのスケールを小さくして処理時間をできるだけ短縮させる  7.2.2 訓練データに過剰に適合してしまうのを避ける    ■出力層の場合の正則化項を適用した重みの更新式  7.2.3 KerasスタイルによるCNNの作成    ■訓練用の画像データを水増しして認識精度を引き上げる    ■画像をランダムに回転させる    ■画像を平行に移動する    ■画像を垂直方向に移動する    ■画像をランダムに拡大    ■画像を左右反転    ■画像を上下反転    ■画像の色相をランダムに変化させる  7.2.4 画像を拡張処理して精度90%を達成する(Keras)    ■学習を行うtrain()関数の定義    ■学習を実行する    ■損失と精度、学習率の推移をグラフにする    ■学習結果を保存する    ■画像を入力して認識させてみる  7.2.5 画像を拡張処理して精度90%を達成する(TensorFlow)    ■データの読み込みと前処理    ■モデルの生成を行う    ■損失関数、オプティマイザー、学習/評価を行う関数の用意    ■学習を実行する関数と検証を行う関数の定義    ■データに拡張処理を行い学習する  7.2.6 画像を拡張処理して精度90%を達成する(PyTorch)    ■CIFAR-10をダウンロードして前処理を行う    ■モデルを定義する    ■損失関数とオプティマイザーの生成、学習と評価を行う関数の定義    ■学習を行う 8章 人間と機械のセマンティックギャップをなくす試み  8.1 CNNで「特徴認識」に近い二値分類、「Dogs vs. Cats」データセットを学習する  8.1.1 Dogs vs. Cats    ■データセットのダウンロード    ■データを前処理して一部の画像を出力してみる    ■画像を可視化してみる  8.1.2 ネコとイヌを認識させてみる    ■データのダウンロード    ■データジェネレーターを生成する関数の定義    ■モデルの生成から学習までを実行する関数の定義    ■学習を行う  8.2 「転移学習」でイヌとネコを高精度で分類する  8.2.1 自前のFC層に大規模なデータ学習済みのVGG16モデルを結合する  8.2.2 ファインチューニングを行って、さらに認識精度を引き上げる    ■データのダウンロードとデータジェネレーターの生成    ■ファインチューニングで認識精度を95%まで上げる    ■VGG16をファインチューニングして学習を実行する関数の定義    ■学習の実行    COLUMN Googleドライブにアップロードしたデータを使う  8.3 アリとハチの画像をVGG16で学習する    ■データセットをダウンロードして解凍する    ■データの前処理を行うクラス    ■オリジナルの画像と前処理後の画像を確認する    ■画像のファイルパスをリストにする    ■アリとハチの画像のデータセットを作成するクラス    ■データローダーの生成    ■VGG16の読み込み    ■学習を可能にする層の設定    ■損失関数とオプティマイザーの生成    ■学習を行う関数を定義する    ■学習と検証を行う 9章 ジェネレーティブディープラーニング  9.1 現在の学習に過去の情報を取り込む(リカレントニューラルネットワーク)  9.1.1 RNN(リカレントニューラルネットワーク)を理解する    ■BPTT(Backpropagation Through Time)  9.1.2 LSTM(Long Short Term Memory:長・短期記憶)    ■LSTMのファーストステップ    ■LSTMのセカンドステップ    ■LSTMのサードステップ  9.2 LSTMを配置したRNNで対話が正しいかどうかを識別する  9.2.1 「雑談対話コーパス」、Janomeライブラリのダウンロード    ■Janomeのインストール    ■「雑談対話コーパス」のダウンロード  9.2.2 対話データの抽出と加工    ■JSONファイルを読み込んで正解ラベルと発話をリストにする    ■発話テキストを形態素に分解する    ■単語を出現回数順の数値に置き換える    ■RNN(LSTM)を構築して発話が破綻しているかを学習する    ■RNNモデルを構築する    ■学習する  9.3 「雑談会話コーパス」の予測精度を上げる    ■アンサンブルって何?    ■アンサンブルに使用するモデル    ■アンサンブルをプログラミングする    ■多数決のアンサンブルを実行する 10章 OpenCVによる「物体検出」  10.1 OpenCV  10.1.1 OpenCVで何ができる?    ■OpenCVのインストール  10.2 OpenCVによる物体検出  10.2.1 人の顔の検出    ■画像の中から顔の部分を検出する  10.2.2 瞳の検出    ■画像の中から瞳の部分を検出する  10.3 検出した部分を切り取って保存する  10.3.1 画像から検出した顔の部分を切り出してファイルに保存する

みんなのレビュー
まだレビューはありません
No.88
56

 時系列解析待望の書! これまでに時系列解析を理解しようとして挫折してきた読者も,本書で時系列解析の本質が理解できる!  時系列解析でなければ解決できない問題は,工学や経済学はもちろん,天文学,生態学,環境学など多くの分野にあります。また,時系列解析の先には空間データ解析への応用も控えています。このようにさまざまな発展の可能性を秘めた時系列解析ですが,本書はその基礎を学ぶのに最適な一冊といえます。  本書では,まず弱定常時系列に焦点を絞ることで,時間領域と周波数領域の関係を扱えるようになることを最初の目的とし,その上で弱定常時系列の分解と予測を学びます。次に,時系列解析の実践において必須である,近似としての時系列モデルを取り上げます。そこにはAICの生い立ちも秘められています。最後に,多変量時系列の解析に移ります。多変量時系列モデルを状態空間表現と絡めながら,多変量による問題をどうやって解決していくのかを取り上げます。 第1章 時系列 1.1 定常性   1.1.1 自己相関係数と偏自己相関係数 1.2 スペクトル表現   1.2.1 時系列のスペクトル表現   1.2.2 自己共分散関数のスペクトル表現 1.3 スペクトル表現の具体例 第2章 弱定常時系列の分解と予測 2.1 ウォルドの分解定理とMA(∞)表現,AR(∞)表現 2.2 ウォルドの分解定理の証明とその理解   2.2.1 ウォルドの分解定理の証明   2.2.2 純決定的と純非決定的   2.2.3 イノベーション   2.2.4 条件付き期待値と最良予測 2.3 最良線形予測の予測誤差 第3章 時系列モデル 3.1 ARモデル   3.1.1 推定   3.1.2 AICによるモデル選択   3.1.3 関連したモデル 3.2 MAモデル 3.3 ARMAモデル 3.4 その他のモデル 第4章 多変量時系列 4.1 多変量時系列の性質 4.2 時系列どうしの関係   4.2.1 スペクトル密度行列とクロススペクトル密度行列   4.2.2 多重コヒーレンシー   4.2.3 偏コヒーレンシー 4.3 多変量ARモデルと多変量ARMAモデル 4.4 状態空間モデル   4.4.1 状態ベクトルの推定と予測   4.4.2 パラメータの推定 4.5 状態空間モデルと多変量ARMAモデル   4.5.1 直接表現とマルコフ表現   4.5.2 同定可能性 参考文献 索  引

みんなのレビュー
まだレビューはありません
No.89
56

第1部 入門編(初心者のための解説 各種モデルの概要と結果の見方) 第2部 メソッド編(混合効果分散分析モデル プロファイル分析モデル 成長曲線モデル 拡張成長曲線モデル 線形回帰モデル ランダム係数モデル 多変量基本分布・検定・AIC基準) 第3部 事例編(犬の冠動脈の洞結節におけるカリウム濃度"事例1" 母親の身長に応じた、少女の身長"事例2" 記憶個数と経過時間との関係"事例3")

みんなのレビュー
まだレビューはありません
No.90
56

経済時系列分析のために 経済統計データとその分析手法 経済時系列データの構成要素と分解 季節変動 トレンド(傾向変動) 循環変動 不規則変動 経済時系列分析と確率過程 定常過程のモデル 定常過程のモデルとスペクトル解析 因果性の分析 統計モデルの選択 状態空間モデルとベイズ的アプローチ 非定常時系列の分析1:平均非定常 日定常時系列の分析2:単位根過程と単位根検定 非定常時系列の分析3:共和分と共和分検定 非定常時系列の分析4:ボラティリティ変動モデル

みんなのレビュー
まだレビューはありません
No.91
56

本書は、粗視化した極値を用いた新しい価格時系列の分析手法を提案する。これは、フラクタル分析の一種であり、テクニカル分析において価格時系列を観察するときに用いられてきた考え方でもある。本書の手法は、価格時系列において価格を進展させる時間とは何かを考える場合、あるいは、時間軸上で不等間隔に発生する価格データそのものを高頻度データとして分析する場合に役立つ。 第1章 価格時系列データの性質 第2章 価格変動の分布 第3章 時間的従属性 第4章 フラクタル 第5章 テクニカル分析における時間 第6章 変動の粗視化

みんなのレビュー
まだレビューはありません
No.92
56

マクロ経済変数や株価、為替レートなどの金融・経済データ、気温や気圧などの気象データ、地震記録などの地球・宇宙科学のデータ、脳波や心電図などの医学・生物データなど、われわれをとりまく実世界の現象から得られたデータはすべて不確定性を伴い、しかも互いに影響を及ぼし合いながら、ダイナミックに変動している。このようなダイナミックな現象を解明し、さらにその将来の変動を予測・制御しようとするのが時系列解析である。本書では、さまざまな時系列モデル、情報量規準、ベイズモデルの方法などについて最近の手法までを含め、簡潔な説明を行っている。 1 序論 2 確率論的な基礎 3 確率過程の基礎概念 4 線形システムとフーリエ解析 5 スペクトル推定 6 予測とARモデル 7 ARMAモデルとスペクトル 8 統計的モデル構成とAIC 9 カルマンフィルター 10 多変量時系列モデル 11 フィードバックシステムの解析 12 統計的制御 13 ベイズモデル-非定常モデル 14 非線形モデル 15 点過程モデル

みんなのレビュー
まだレビューはありません
No.95
56

1 経時データとモデル 2 線形回帰モデル 3 混合効果分散分析モデル 4 多重比較法 5 成長曲線モデル 6 拡張成長曲線モデル 7 ランダム係数モデル 8 線形混合モデル 9 離散型経時データモデル 付録

みんなのレビュー
まだレビューはありません
No.97
56
みんなのレビュー
まだレビューはありません
No.98
56

本書は、カオス的時系列データの解析に関して、基礎理論から実データへの応用まで、様々な具体例を含めて詳しく解説したものである。本書は最新の研究成果も取り入れて、理論から応用まで本書一冊で十分にカバーするように配慮されている。 時系列の埋め込みの実践 埋め込み定理 カオス時系列解析の基礎理論 非線形予測理論 カオス時系列解析と統計的仮説検定法

みんなのレビュー
まだレビューはありません
No.99
56
みんなのレビュー
まだレビューはありません
No.100
56

The field of statistics not only affects all areas of scientific activity, but also many other matters such as public policy. It is branching rapidly into so many different subjects that a series of handbooks is the only way of comprehensively presenting the various aspects of statistical methodology, applications, and recent developments. "The Handbook of Statistics" is a series of self-contained reference books. Each volume is devoted to a particular topic in statistics, with Volume 30 dealing with time series. The series is addressed to the entire community of statisticians and scientists in various disciplines who use statistical methodology in their work. At the same time, special emphasis is placed on applications-oriented techniques, with the applied statistician in mind as the primary audience. This title comprehensively presents the various aspects of statistical methodology. It discusses a wide variety of diverse applications and recent developments. Its contributors are internationally renowned experts in their respective areas.

みんなのレビュー
まだレビューはありません
search