検索対象

並び順

ブックマーク数

期間指定

  • から
  • まで

1 - 13 件 / 13件

新着順 人気順

時系列解析の検索結果1 - 13 件 / 13件

タグ検索の該当結果が少ないため、タイトル検索結果を表示しています。

時系列解析に関するエントリは13件あります。 book、 統計、 機械学習 などが関連タグです。 人気エントリには 『🥺「役に立たないもの教えるのは時代遅れ！」「というわけでビッグデータで時系列解析を教えます！｣→冗談みたいな世の中になるかもねという話』などがあります。

時系列解析の関連エントリー

  • 🥺「役に立たないもの教えるのは時代遅れ！」「というわけでビッグデータで時系列解析を教えます！｣→冗談みたいな世の中になるかもねという話

    てんにょ @barinoriron アメリカで宇宙素粒子物理学の研究をしているポスドクだった。FF 以外からの通知は全部切ってるので、リプや引用 RT は気づきませんm(_ _)m てんにょ @barinoriron 🥺「サイン・コサインなんて役に立たないもの教えるのは時代遅れ！」 😄「そうだ！」 🥺「というわけでビッグデータで時系列解析を教えます」 😄「いいぞ！」 🥺「まず基本のフーリエ解析から」 😄「いいぞ！」 🥺「関数をサイン・コサインで展開して…」 みたいな喜劇これから無限に発生しそう 2022-01-22 15:08:01

      🥺「役に立たないもの教えるのは時代遅れ！」「というわけでビッグデータで時系列解析を教えます！｣→冗談みたいな世の中になるかもねという話

    • 実践 時系列解析

      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解析手法を学んでゆくアプローチで、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、さまざまな分野の事例を数多く取り上げ、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。プログラムにはRとPythonの両方を利用。データセットやコードはGitHubからダウンロード可能です。 はじめに 1章　時系列の概論と簡単な歴史 1.1　時系列の多様な用途の歴史 1.1.1　時系列問題としての医学 1.1.2　気象予測 1.1.3　経済成長の予測 1.1.4　天文学 1.2　時系列解析の人気に火がつく 1.3　統計的時系列解析の起源 1.4　

        実践 時系列解析

      • 時系列解析に散った子羊たちへの鎮魂歌 - AIソリューションアーキテクトのおしゃべり

        2つのブログを初投稿させていただいてから早いもので数週間。 自己紹介 - AIソリューションアーキテクトのおしゃべり データ活用人材とはどんな人々か - AIソリューションアーキテクトのおしゃべり 思っていた以上に反響があり、 「面白くて、あっという間に読めた」 「ブログとリアルのキャラが一致しなくて困惑した」 「怪しい壺が買いたくなった」*1 など、数々のご好評をいただきまして非常に感謝してます。 時系列解析って何か色々あってわかりません！(憤怒) さて、本日取り上げたいのは時系列解析。 最近では新型コロナウイルスの感染者数という大々的に報じられる時系列データがあるのでイメージしやすくなったかもしれませんが、手法自体を学んでみると何だか色んな名前が飛び交っていて訳が分からない人も多いのでは。 時系列予測の手法1つとっても 「状態空間モデルはベイジアンなんや、ベイズが一番や！」 「どんな時

          時系列解析に散った子羊たちへの鎮魂歌 - AIソリューションアーキテクトのおしゃべり

        • 9月新刊情報『実践 時系列解析』

          『実践 時系列解析 ―統計と機械学習による予測』 Aileen Nielsen　著、山崎 邦子、山崎 康宏　訳 2021年9月18日発売予定 484ページ（予定） ISBN978-4-87311-960-1 定価3,960円（税込） 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用されています。本書は時系列データを通してデータ解析手法を学んでゆくアプローチで、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、さまざまな分野の事例を数多く取り上げ、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。プログラムにはRとPythonの両方を利用。データセットやコードはGitHubからダウンロード可能です。 表紙の動物は、ブルーフ

            9月新刊情報『実践 時系列解析』

            • 時系列解析の関連エントリー

          • 【衛星データ】Savitzky-Golay フィルタによる時系列補正【時系列解析】 - LabCode

            近年、リモートセンシングデータの時系列解析は、地球科学や環境モニタリングの分野で重要性を増しています。代表的な例として、植生指標のNDVI（Normalized Difference Vegetation Index）があります。NDVIの経年変化を追跡することで、農業、森林管理、植生調査など、幅広い分野でのモニターや研究に活用されています。 しかし、リモートセンシングデータの解析には特有の課題が存在します。大気条件の変動、センサーの視野角の変化、雲の影響などにより、データにノイズが混入します。このノイズは季節変動や長期トレンドといった重要な情報を不明瞭にし、時系列解析の精度を著しく低下させる可能性があります。 本記事では、これらの課題を効果的に解決するツールとして、Savitzky-Golayフィルタを紹介します。このフィルタは、時系列データから有意な信号を抽出しながら、ノイズを効率的に

            • データを入力するだけでノーコードで時系列解析が可能、TrendFlowがリリース | AI専門ニュースメディア AINOW

              最終更新日： 2021年12月13日 プログラミングが不要なAI構築プラットフォーム「MatrixFlow」を提供する株式会社MatrixFlowは、データを投入するだけで、誰でも時系列解析が出来るTrendFlow（トレンドフロー）を開発し、MatrixFlow上で提供を開始しました。 売上や勤務時間、気温など、時間的に変化した情報を持つ時系列データの解析は、欠損値の前処理、機械学習アルゴリズムの構築や評価など、データサイエンティストでも難しい内容です。 TrendFlowは、時系列データの中に欠損値があっても前処理せず、データを投入するだけで予測が可能です。 先行きが見えないアフターコロナの世界において、AIがデータから未来を可視化します。 同社は、TrendFlowの開発背景として、「人間の経験や直感だけで判断することがより一層難しくなっている」ことを挙げています。新型コロナウイルス

                データを入力するだけでノーコードで時系列解析が可能、TrendFlowがリリース | AI専門ニュースメディア AINOW

              • PythonとAI～ドル円為替の時系列解析SARIMAvsLSTM～ - Qiita

                はじめに 筆者はPythonならびにAIの初学者で、Aidemy Premiumの「データ分析３ヶ月コース」を受講しながらデータ分析について学習をしています。 講座内で学習した知識をもとに自身で時系列解析の実装・考察を行っていきます。 自己紹介 ・2人目の子供を妊娠中の30代女性 現職は損害保険会社勤務でプログラミングやAIについての知識ゼロから、 出産までの休暇期間を利用して学習を行っています。 家族が増えることに伴い、より柔軟な働き方にチェンジしたいと思い、 自身の興味関心・やりたいことは何かを考えた結果、 AI学習やデータ分析にたどり着きました。 今回は受講の修了要件の1つである成果物としてこのブログを執筆しています。 受講修了後も今後のキャリアチェンジのために、産後もコツコツと継続して学習を行っていく予定です。 テーマと分析方法 普段子供の服を海外から個人輸入することがあったり、

                  PythonとAI～ドル円為替の時系列解析SARIMAvsLSTM～ - Qiita

                • 時系列解析の重要手法、状態空間モデルについて解説

                  株式会社pipon代表取締役。 キャリアはADK(広告代理店)でテレビ広告運用をして残業120時間するが、ネット広告では自分の業務がAIで自動化されていることに驚愕する。そこで、機械学習受託会社に転職し、技術力を身につけた後、piponを創業。現在、製薬業界、大手監査法人、EC業界、様々な業界でAI受託開発事業を運営。 はじめに 今回は、状態空間モデルを紹介します。状態空間モデルとは、実際の状態を表す変数と実際に観測できる変数が異なるような系を数式で表現したもので、気象の予測や制御理論など様々な分野で応用することができます。 状態空間モデルはデータサイエンスの世界でも用いられており、時系列データの解析でもよく使われている考え方です。古典的な時系列解析モデルとして、MAモデル、ARモデル、ARMAモデル、ARIMAモデルがよく知られていますが、これらのモデルでカバーできない時系列データに対し

                  • statsmodels(Python)を使って株価を時系列解析（１） - Qiita

                    Advanced Python１　時系列解析 時系列解析のPython本って意外と少ないかも知れません。 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) とりあえずこの本を使って、株価の時系列予測をしながら、日経平均株価と友達になりたいと思っています。 株価のstatsmodelsによる解析 株価をダウンロードするサイトがなくなってしまって、別の方法を考えないといけないのですが、とりあえず以前落としたデータを使って、まずstatesmodelsを使って、２０２０年のTopixのETF解析をしようと思います。 ２０２０年と言えば、３月にコロナで株価大暴落をおこした年です。さて、コロナの大暴落は、時系列解析でどう表れるのでしょうか？ 傾向変動、季節変動、不規則変動 最初は基本である変動の解析です。 statsmodelsにより、傾向変動と季節変動と

                      statsmodels(Python)を使って株価を時系列解析（１） - Qiita

                    • Amazon.co.jp: 実践 時系列解析 ―統計と機械学習による予測: Aileen Nielsen (è‘—), 山崎邦子 (翻訳), 山崎康宏 (翻訳): 本

                        Amazon.co.jp: 実践 時系列解析 ―統計と機械学習による予測: Aileen Nielsen (著), 山崎邦子 (翻訳), 山崎康宏 (翻訳): 本

                      • Pythonで時系列解析(因果推論) - Qiita

                        from statsmodels.tsa.stattools import coint results = coint(x, y) # # x, y: array_like, 1d stat = results[0] # 統計量 pvalue = results[1] # p値 pvalueが基準(0.05など)より小さい場合、共和分の関係にないという帰無仮説が棄却 参考: https://www.statsmodels.org/stable/generated/statsmodels.tsa.stattools.coint.html グレンジャー因果性検定 前提 下のブログにあるように、以下のようなステップを踏んでから因果性検定を行います VARモデルを推定する前に、まず個々の原系列に対して単位根検定を実施する そもそもただの回帰関係が見たいだけなら、気にせずVARモデルを計算して良い

                          Pythonで時系列解析(因果推論) - Qiita

                        • 【時系列解析】Pythonで移動平均を出してみた

                          株式会社pipon代表取締役。 キャリアはADK(広告代理店)でテレビ広告運用をして残業120時間するが、ネット広告では自分の業務がAIで自動化されていることに驚愕する。そこで、機械学習受託会社に転職し、技術力を身につけた後、piponを創業。現在、製薬業界、大手監査法人、EC業界、様々な業界でAI受託開発事業を運営。 1.　はじめに 今回はPythonを使い、移動平均を算出する方法を紹介します。 移動平均とは、主に時系列のデータを平滑化するのによく用いられる手法で、株価のチャートで頻繁に見られるのでご存知の方も多いでしょう(「25日移動平均線」など)。データの長期的なトレンドを追いたいときに、よく用いられます。 2.　移動平均とは 「移動平均」と言ってもいくつかの種類、計算方法があるので、それぞれを見ていきましょう。 1)　単純移動平均(Simple Moving Average; SM

                            【時系列解析】Pythonで移動平均を出してみた

                          • 6. Deep Learningの研究分野：自然言語処理、時系列解析

                            ある時点での出力を、次の時点での入力として利用する再帰的構造（閉路）を持ったニューラルネットワーク。狭義には単純な構造のものを指す。逐語的に処理するため、並列に学習できないのが欠点。

                              6. Deep Learningの研究分野：自然言語処理、時系列解析
                            1

                            新着記事

                            はてなブックマーク

                            公式Twitter

                            はてなのサービス

                            • App Storeからダウンロード
                            • Google Playで手に入れよう
                            Copyright © 2005-2025 Hatena. All Rights Reserved.