SlideShare a Scribd company logo
1 of 82
R勉強会@東京
     第4回



R言語による時系列分析


   hamadakoichi
     濱田 晃一
    2010/04/24
R言語による時系列分析

         各種時系列分析が容易に行えます
ソースコード




実行結果




                           2
位置づけ
         データマイニングの方法論を用いての
            蓄積データの有効活用
                                              統計解析
                  Web API
                                            データマイニング
                Amazon Web Service
                  楽天 Web Service          対応分析     時系列分析
       Twitter API Recruit Web Service      回帰分析
                     Yahoo! Web Service             クラスター分析
       はてな Web Service                                判別分析
                                          主成分分析 因子分析
       (Bookmark/Graph/Keyword,…)
                                             カーネル法
          Google Data API                         樹木モデル
          (Calendar/Maps/BookSearch/
           FinancePortfolioData,…)             ニューラルネットワーク
                                             サポートベクターマシン
                    …        免疫型最適化 Particle Swam    …
                            Memetic      Ant Colony
                             遺伝的     熱力学的
                                    シミュレーテドアニーリング
                                     力学モデルによる最適化
                            タブーサーチ       グラフ
                                             …
                                   最適解探索
                                   アルゴリズム
                                                              3
位置づけ

                                時系列分析

                                              統計解析
                  Web API
                                            データマイニング
                Amazon Web Service
                  楽天 Web Service          対応分析     時系列分析
       Twitter API Recruit Web Service      回帰分析
                     Yahoo! Web Service             クラスター分析
       はてな Web Service                                判別分析
                                          主成分分析 因子分析
       (Bookmark/Graph/Keyword,…)
                                             カーネル法
          Google Data API                         樹木モデル
          (Calendar/Maps/BookSearch/
           FinancePortfolioData,…)             ニューラルネットワーク
                                             サポートベクターマシン
                    …        免疫型最適化 Particle Swam    …
                            Memetic      Ant Colony
                             遺伝的     熱力学的
                                    シミュレーテドアニーリング
                                     力学モデルによる最適化
                            タブーサーチ       グラフ
                                             …
                                   最適解探索
                                   アルゴリズム
                                                              4
AGENDA
 ◆自己紹介
 ◆時系列分析とは
 ◆データ操作
 ◆モデル
   ◆ARモデル
   ◆ARMA/ARIMAモデル
   ◆ARFIMAモデル
   ◆ARCHモデル
 ◆最後に
AGENDA
 ◆自己紹介
 ◆時系列分析とは
 ◆データ操作
 ◆モデル
   ◆ARモデル
   ◆ARMA/ARIMAモデル
   ◆ARFIMAモデル
   ◆ARCHモデル
 ◆最後に
hamadakoichi
   濱田晃一
http://iddy.jp/profile/hamadakoichi




                                      7
自己紹介:hamadakoichi 濱田晃一




                         8
自己紹介:hamadakoichi 濱田晃一
   データマイニング+WEB勉強会@東京 主催者です
           ぜひご参加下さい




  Google Group: http://groups.google.com/group/webmining-tokyo
                                                                 9
自己紹介:hamadakoichi 濱田晃一
        5/16(日) 第4回 データマイニング+WEB勉強会
                          WEB祭り
                              です

 AGENDA      5/16(日) 13:00 - 19:00
   -ソーシャルウェブとレコメンデーション(仮) 講師:@hamadakoichi (60分)
   -WEB行動マイニング(仮) (講師:@kur) (60分)
   -Hadoop最前線(仮) (講師:@yanaoki)(60分)※調整中
   -大規模WEB行動マイニング(仮) (講師:@karubi) (60分)
   -WEB APIと画像分類最適化(仮) (講師:@yokkuns) (60分)
   -※追加募集中
  定員:20名
 アナウンス
  Google Group: http://groups.google.com/group/webmining-tokyo
   Twitter    : http://twitter.com/hamadakoichi
                                                                 10
自己紹介:hamadakoichi 濱田晃一
        5/16(日) 第4回 データマイニング+WEB勉強会
                          WEB祭り
                              です

 AGENDA      5/16(日) 13:00 - 19:00
   -ソーシャルウェブとレコメンデーション(仮) 講師:@hamadakoichi (60分)
   -WEB行動マイニング(仮) (講師:@kur) (60分)
   -Hadoop最前線(仮) (講師:@yanaoki)(60分)※調整中
   -大規模WEB行動マイニング(仮) (講師:@karubi) (60分)
   -WEB APIと画像分類最適化(仮) (講師:@yokkuns) (60分)
   -※追加募集中
  定員:20名
 アナウンス
  Google Group: http://groups.google.com/group/webmining-tokyo
   Twitter    : http://twitter.com/hamadakoichi
                                                                 11
自己紹介:hamadakoichi 濱田晃一
        5/16(日) 第4回 データマイニング+WEB勉強会
                          WEB祭り
                              です

 AGENDA      5/16(日) 13:00 - 19:00
  -ソーシャルウェブとレコメンデーション(仮) (講師:@hamadakoichi) (60分)
  -WEB行動マイニング(仮) (講師:@kur) (60分)
  -Hadoop最前線(仮) (講師:@yanaoki)(60分)
  -大規模WEB行動マイニング(仮) (講師:@karubi) (60分)
  -WEB APIと画像分類最適化(仮) (講師:@yokkuns) (60分)
  -※追加募集中
  定員:20名
 アナウンス
  Google Group: http://groups.google.com/group/webmining-tokyo
   Twitter    : http://twitter.com/hamadakoichi
                                                                 12
データマイニング+WEB勉強会@東京を

  発表者・参加者にとって
  より有意義な場にしたい


   3つの進行方針
                      13
3つの進行方針
           充分な時間を充て
          理解・議論を優先する
  1.充分な時間:
   各テーマごとにしっかり時間を充てる
   (浅く多くではなく、少ないテーマでも深く)

  2.理解:
   進行を急がない。分からないところはすぐ質問。
   講師・各メンバーからの返答で、みなで理解を深めることを優先する。

  3.議論:
   議論時間をしっかりとる。
   各分野の意見の共有、皆での発想・創造を優先する。
   全員でのフラットな議論。講師にとっても有意義な場となるようにする。

                                       14
自己紹介:hamadakoichi 濱田晃一
                            理論物理 博士
                           量子統計場の理論
Statistical Field Theory                        Spontaneously
                                        Time-Reversal Symmetry Breaking




                                       Anisotropic Massless Dirac Fermions




博士論文(2004/03): http://hosi.phys.s.u-tokyo.ac.jp/~koichi/PhD-thesis.pdf
                                                                             15
自己紹介:hamadakoichi 濱田晃一

            文部大臣に褒められた
   元 文部大臣・法務大臣      六法全書著者・元法学政治学研究科長
      森山眞弓さん             菅野和夫さん




                                        16
自己紹介:hamadakoichi 濱田晃一

         Los Angelesでプロダンサーに褒められた




 ・HIP HOP/House ダンス歴13年
 ・ダンス開始後 1年半でL.A.でプロダンサーに褒められる

  Youtube Channel: http://www.youtube.com/hamadakoichi
                                                         17
自己紹介:hamadakoichi 濱田晃一

            東京と京都で 物理ダンス部を創設




         駒場物理ダンス部                 京都大学基礎物理学研究所ダンス部
          部長兼コーチ                       部長兼コーチ


  現在: 毎週末 3時間ダンスコーチ
  Youtube Channel: http://www.youtube.com/hamadakoichi
                                                         18
数理解析手法の実ビジネス適用
     数理解析手法を実ビジネス適用する
     方法論・システムを作り上げてきました




                          19
数理解析手法の実ビジネス適用
                 数理解析手法を実ビジネス適用する
                 方法論・システムを作り上げてきました
主な領域
◆活動の数理モデル化・解析手法
◆業務プロセス分析手法・再構築手法
◆業務プロセス実行制御・実績解析システム
…




 K. Hamada, F.Kimura,
                                              M.Nakao, N. Kobayashi, K.Hamada, T.Totsuka, S.Yamada,
 "Unified graph representation of processes
                                              “Decoupling Executions in Navigating Manufacturing
 for scheduling with flexible resource
                                              Processes for Shortening Lead Time and Its Implementation
 assignment",
                                              to an Unmanned Machine Shop”,
 to be published in CIRP ICMS (2010).
                                              CIRP Annals - Manufacturing Technology Volume 56, Issue 1,
                                              Pages 171-174 (2007)                                       20
数理解析手法の実ビジネス適用:例
                                            一品一様の業務プロセスの
                                          動的なプロセス制御数理体系を構築

  全体生産リードタイム中央値を                                                                                                                                                                                   1/2.7に短縮
     設計開始~頭だし出荷リードタイム開 始 日 時 の 箱 ひ げ 図
        設 計 開 始 ~ 頭 だ し出 荷 CT対 週 集 計 体系適用
                          500

                                                                                                                                                                                                                                              適用後
   設計開始~頭だし出荷CT




                          400


                                                                                                                                360.4h(15.0日)
                                                                                                                                                                                                                                                                      1/2.7
                          300




                          200




                          100

                                             0   0         0   0            0   0             0   0             0   0         0   0            0   0             0   0             0   0         0   0            0   0             0   0
                                                                                                                                                                                                                                            141.6h(5.9日)
                                                                                                                                                                                                                                              00 00
                                          9:            9:               9:                9:                9:            9:               9:                9:                9:            9:               9:                9:                9:            9:
                                      0             7                4                 1                 8             5                1                 8                 5             2                9                 6                 3             0
                                   /2            /2               /0                /1                /1            /2               /0                /0                /1            /2               /2                /0                /1            /2
                          /   09        /   09           /   10           /   10         /   10            /   10           /   11           /   11         /   11            /   11           /   11           /   12         /   12            /   12
                       04            04               04               04             04                04               04               04             04                04               04               04             04                04
                  20           20                20               20            20                20                20               20            20                20                20               20            20                20
                                                                                                                                     週 集 計 開 始 日 時




                                                                                                                                                                                                                                                                              21
数理解析手法の実ビジネス適用:例
                      一品一様の業務プロセスの
                    動的なプロセス制御数理体系を構築
変動性から生じる動的な課題
     ・リソースの競合 ・滞留 ・納期遅延                             …

一品一様な業務プロセスを含む
統計解析・制御数理モデル
     ・統計的な有効変数算出
     ・統計数理モデル化
        -優先順位制御
        -実行タイミング制御
        -統計フィードバック
        -適正リソース量算出
     ・予測数理体系
論文(体系の一部)
M.Nakao, N. Kobayashi, K.Hamada, T.Totsuka, S.Yamada,
“Decoupling Executions in Navigating Manufacturing Processes for Shortening Lead Time and Its Implementation
to an Unmanned Machine Shop”,
CIRP Annals - Manufacturing Technology Volume 56, Issue 1, Pages 171-174 (2007)                             22
数理解析手法の実ビジネス適用:例
                            活動の統一グラフモデルを構築
                                   K.Hamada, F.Kimura,
Unified graph representation of processes for scheduling with flexible resource assignment,
                               to be published in CIRP 2010
                                                                                                    青字:割付モデル属性
                                                                                                    [ ] : Optional
 Node             ・priority(優先度)                                                         Edge
                  ・duration(予定時間)
                  [・earliest(再早開始日時) ]                                                        Process Edge
 Process          [・deadline(納期) ]
                  [・or(条件集約数) ]
                                                                                                前プロセスの終了後に後プロセスが
  プロセスを表す                                                                                       開始できること表す
                  ・attributes(属性)
                                                                         preemptable(中断可否),
                                                                         successive(引継ぎ可否)
                                                                                              Uses Edge
                                                                         workload(作業負荷)         Processが使用する
                          uses      uses uses         uses   uses        uses                   Assign Region を表す

 Assign Region                                                                                Assigns from Edge
  同一Resourceを割付け続ける                                                                             Assign Regionに
                                     assigns from assigns from                                  指定Resourceの子Resource集合の
  範囲を表す
                 assigns                                            assigns                     中から割付けることを示す
                                    工場01                             [process]
                                    has         has                  [startDate(開始日時)]
                                                                     [endDate(終了日時)]          Assigns Edge
                     型01                     仕上WG                                               StartDateからEndDateまでの間
 Resource                                                                       has             Assign RegionにResourceを
  割付対象要素を表す          has has        has      has   has       has                                割付けることを表す
                                                                       ・capacity(容量)
                                                                       ・calender(カレンダー)
                 CAVI01    CORE01    …     山田さん 田中さん 鈴木さん              ・attributes(属性)        Has Edge
                                                                              東さん               Resourceの所有関係を表す
                                                                                                                          23
数理解析手法の実ビジネス適用:例
                      活動の統一グラフモデルを構築
                                   K.Hamada, F.Kimura,
Unified graph representation of processes for scheduling with flexible resource assignment,
                               to be published in CIRP 2010




                                                                                         24
5月上旬の
講演/トーク予定




           25
2010年5月上旬の講演・トーク予定

                      ぜひお越しください


日               コミュニティ                      会情報
2010/05/01(土)   パターン認識と機械学習                 ・多項式曲線フィッティング
                (PRML) Revenge #1           ・確率論
2010/05/07(金)   Linux Business Initiative   業務プロセス改革とデータマイ
                2010年度総会・ビジネス               ニング
                講演会
2010/05/09(日)   Tsukuba.R #7                はじめてでもわかる回帰分析
                                            (線形回帰、非線形回帰ともに)




                                                              26
講演:2010/05/01(土)
       パターン認識と機械学習(PRML) Revenge #1
          多項式曲線フィッティング+確率論




PRML Revenge #1 http://atnd.org/events/4115
                                              27
講演:2010/05/07(金)
Linux Business Initiative 2010年度総会・ビジネス講演会
         「業務プロセス改革とデータマイニング」

                                     蓄積データの有効活用




LBIビジネス講演会 http://www.lbi.gr.jp/modules/eguide/event.php?eid=31
                                                                  28
講演:2010/05/09(日)
                    Tsukuba.R #7
               「はじめてでも分かる 回帰分析」
                                           事象発生の関数形の推測
                                            ・線形回帰(単・重)
                                            ・非線形回帰




Tokyo.R #4   http://atnd.org/events/3930
                                                     29
AGENDA
 ◆自己紹介
 ◆時系列分析とは
 ◆データ操作
 ◆モデル
   ◆ARモデル
   ◆ARMA/ARIMAモデル
   ◆ARFIMAモデル
   ◆ARCHモデル
 ◆最後に
                    30
時系列データ

            時間変動する要素を
         時間の順序で測定・観測したデータ
時系列データ
・医療データ:心電図、脳波
・気象データ:気温、気圧
・金融データ:株価、為替レート




                            31
時系列データ

            時間変動する要素を
         時間の順序で測定・観測したデータ
時系列データ            2003年ノーベル経済学賞
・医療データ:心電図、脳波     「時系列分析手法」
・気象データ:気温、気圧      Clive W.J. Granger
・金融データ:株価、為替レート   Robert F. Engle




                                       32
時系列データ

            時間変動する要素を
         時間の順序で測定・観測したデータ
時系列データ             2003年ノーベル経済学賞
・医療データ:心電図、脳波      「時系列分析手法」
・気象データ:気温、気圧       Clive W.J. Granger
・金融データ:株価、為替レート    Robert F. Engle
例:UKgas
   イギリスのガス消費量の時系列データ
    年




                                        33
時系列データ

                      UKgas
          イギリスのガス消費量の時系列データ
         1960年から1986年まで四半期ごとに観測




                United Kingdom Gas

            年    1Q    2Q     3Q   4Q




                                        34
時系列データの形式と属性


        時刻tをインデクスとしたデータ列




                           35
時系列データの形式と属性


        時刻tをインデクスとしたデータ列




                           36
時系列データの形式と属性


        時刻tをインデクスとしたデータ列




                           37
時系列データの形式と属性


        時刻tをインデクスとしたデータ列




                           38
AGENDA
 ◆自己紹介
 ◆時系列解析とは
 ◆データ操作
 ◆モデル
   ◆ARモデル
   ◆ARMA/ARIMAモデル
   ◆ARFIMAモデル
   ◆GARCHモデル
 ◆最後に
                    39
時系列表示

         関数 ts.plot
        折れ線グラフ表示




                      40
データオブジェクトの作成

              関数 ts
           時系列オブジェクト作成
 非時系列オブジェクトから時系列データオブジェクトを作成する




                                 41
ラグ処理

              関数 lag
            時間をシフトする
       定義




                       42
ラグ処理

              関数 lag
            時間をシフトする
       定義




                       43
差分

               関数 diff
            ytからyt-1を引く
            トレンドを除去できる
     差分定義



        UKgas        diff(UKgas)




                                   44
時系列データの統計量


        時系列データの特性を表す統計量
 時系列             に対して

定義 ◆ 標本平均

   ◆    と   の
       標本自己共分散

   ◆    と   の
       標本自己相関関数




                          45
時系列データの統計量


        時系列データの特性を表す統計量
 時系列             に対して

定義 ◆ 標本平均

   ◆    と   の
       標本自己共分散

   ◆    と   の
       標本自己相関関数

  平均や自己共分散
   時間変化しない ⇒定常時系列
   時間変化する ⇒非定常時系列
                          46
時系列データの統計量

              関数 acf
         自己共分散、自己相関を求める
 時系列             に対して

定義 ◆ 標本平均

   ◆    と   の
       標本自己共分散

   ◆    と   の
       標本自己相関関数

  平均や自己共分散
   時間変化しない ⇒定常時系列
   時間変化する ⇒非定常時系列
                          47
時系列データの統計量

                関数 acf
           自己共分散、自己相関を求める
acf(x, type=“correlation”, plot = TRUE,…)
 引数
  x : 時系列データ
  type : “correlation(自己相関)”, “covariance(自己共分散)”,
         “partial(偏相関)”,
          (デフォルト:“correlation(自己相関)”)
  plot :自動図示の指定(デフォルト:TRUE)


                                                     48
時系列データの統計量

                関数 acf
           自己共分散、自己相関を求める




     correlation    covariance   partial
     (自己相関)        (自己共分散)       (偏相関)




                                           49
スペクトル分析

                    隠された周期性を解析
                   周期成分の強度分布算出
                         フーリエ変換
                     時間k成分 ⇒ 振動数f成分




 Spectrum (Power Spectral density Function)
      時系列の自己共分散のフーリエ変換


 Periodgram
      標本データの自己共分散のフーリエ変換


                                              50
スペクトル分析

            隠された周期性を解析
           周期成分の強度分布算出




                      スペクトル分析       スペクトル分析
   時系列表示   スペクトル分析
                     (Daniell平滑化)   (自己回帰)




                                              51
AGENDA
 ◆自己紹介
 ◆時系列分析とは
 ◆データ操作
 ◆モデル
   ◆ARモデル
   ◆ARMA/ARIMAモデル
   ◆ARFIMAモデル
   ◆ARCHモデル
 ◆最後に
AGENDA
 ◆自己紹介
 ◆時系列分析とは
 ◆データ操作
 ◆モデル
   ◆ARモデル
   ◆ARMA/ARIMAモデル
   ◆ARFIMAモデル
   ◆ARCHモデル
 ◆最後に
ARモデル


           AutoRegression(自己回帰) Model
        時系列時点 t-p から tまでの各データの関係式



             ai : 自己回帰係数 (i=1,..,p)
             p : 次数
             et: 残差(平均0、分散σ2)の正規分布

                             モデル推定
                              Yule-Walker法, 最小2乗法
                              最尤法, Burg法, …

        次数 p と 自己回帰係数 ai (i=1,..,p)を決定する
             次数pのARモデル AR(p)
                                                    54
関数arとモデル推定

                   ar
             自己回帰モデルを求める関数
     ar(x, aic=TURE,method=“”, order.max=NULL)

引数    x : 時系列データ
      aic : モデルを評価する情報量基準AICを用いるか
      method :自己回帰を推定する方法
             “yule-walker (ユールウォーカー法)(Default)”,
             “ols(最小2乗法)”, “mle(最尤法)”, “burg(バーグ法)”
      order.max : 次数の最大値を指定




                                                      55
関数arとモデル推定




             56
関数arとモデル推定




             57
予測

               Predict
     自己回帰モデルarで求めたモデルを用い予測する
       1986年までのデータから1987以降を予測




                                58
予測

               Predict
     自己回帰モデルarで求めたモデルを用い予測する
       1986年までのデータから1987以降を予測




                                59
AGENDA
 ◆自己紹介
 ◆時系列分析とは
 ◆データ操作
 ◆モデル
   ◆ARモデル
   ◆ARMA/ARIMAモデル
   ◆ARFIMAモデル
   ◆ARCHモデル
 ◆最後に
                    60
ARMA/ARIMAモデル

                   ARMAモデル:AR(p,q)
     (AutoRegressive Moving Average:自己回帰移動平均)
        ARモデルに残差の移動平均を加えたモデル
                                      残差の移動平均




                                                61
ARMA/ARIMAモデル

                   ARMAモデル:AR(p,q)
     (AutoRegressive Moving Average:自己回帰移動平均)
        ARモデルに残差の移動平均を加えたモデル
                                      残差の移動平均


                    ytのd階の差分演算子のモデル




                                                62
ARMA/ARIMAモデル

                   ARMAモデル:AR(p,q)
     (AutoRegressive Moving Average:自己回帰移動平均)
         ARモデルに残差の移動平均を加えたモデル
                                        残差の移動平均


                     ytのd階の差分演算子のモデル




                     ARIMAモデル:AR(p,d,q)
(AutoRegressive Integrated Moving Average:自己回帰和分移動平均)


                                                    63
関数armaとモデル推定

           関数 arima
  単変量時系列データを当てはめるARMAモデル関数


        arima(x, order =c(0,0,0),..))
引数    x : 時系列データ
      order : (自己回帰の次数 p,
               差分の階数 d,
               過去の残差の移動平均の次数q)


  ARIMAモデル:AR(p,d,q)



                                        64
モデルの選択

        引数orderのp,d,qの決定
   情報量規準値が最も小さい組み合わせを用いる




                           65
AGENDA
 ◆自己紹介
 ◆時系列分析とは
 ◆データ操作
 ◆モデル
   ◆ARモデル
   ◆ARMA/ARIMAモデル
   ◆ARFIMAモデル
   ◆ARCHモデル
 ◆最後に
                    66
ARFIMAモデル
                       ARFIMAモデル
    (AutoRegressive Fractionally Integrated Moving Average)
                 自己回帰実数和分移動平均

             ARMAモデルの過剰差分を克服する
             差分の次数dを任意の次数に一般化



       fracdiff(x, nar =0,dtol=NULL, nma=0,..))
 引数   x : 時系列データ
      nar : 自己回帰の次数 p,
      tdol:差分の階数 d,
      nma:過去の残差の移動平均の次数q


                                                              67
AGENDA
 ◆自己紹介
 ◆時系列分析とは
 ◆データ操作
 ◆モデル
   ◆ARモデル
   ◆ARMA/ARIMAモデル
   ◆ARFIMAモデル
   ◆ARCHモデル
 ◆最後に
                    68
ARCHモデル
                         ARCHモデル
          (AutoRegressive Conditional Heteroscedastic)
                 自己回帰条件付き分散不均一
 ARCHモデル      条件付平均           条件付分散           の
              正規分布              に従う。




                                                         69
ARCHモデル
                         ARCHモデル
          (AutoRegressive Conditional Heteroscedastic)
                 自己回帰条件付き分散不均一
 ARCHモデル      条件付平均           条件付分散           の
              正規分布              に従う。




 拡張
 GARCH (Generalized ARCH)モデル




                                                         70
ARCHモデル
                         ARCHモデル
          (AutoRegressive Conditional Heteroscedastic)
                 自己回帰条件付き分散不均一
 ARCHモデル       条件付平均               条件付分散      の
               正規分布                  に従う。




 拡張
 GARCH (Generalized ARCH)モデル




 R言語でのGARCHモデル当てはめ関数
    ・garch (package : tseries)
    ・garchfit (package: fSeries)
                                                         71
AGENDA
 ◆自己紹介
 ◆時系列分析とは
 ◆データ操作
 ◆モデル
   ◆ARモデル
   ◆ARMA/ARIMAモデル
   ◆ARFIMAモデル
   ◆ARCHモデル
 ◆最後に
                    72
最後に

      蓄積されたデータを有効活用してきたい




                           73
最後に

      蓄積されたデータを有効活用してきたい




  Google Group: http://groups.google.com/group/webmining-tokyo

                                                                 74
最後に
               データマイニング+WEB勉強会
                発表者を募集しています




 連絡
  Google Group: http://groups.google.com/group/webmining-tokyo
  Twitter     : http://twitter.com/hamadakoichi
                                                                 75
最後に
      5/16(日) 第4回 データマイニング+WEB勉強会
                WEB祭り
                  です




                                    76
最後に
        5/16(日) 第4回 データマイニング+WEB勉強会
                          WEB祭り
                              です

 AGENDA      5/16(日) 13:00 - 19:00
 -ソーシャルウェブとレコメンデーション(仮) (講師:@hamadakoichi) (60分)
 -WEB行動マイニング(仮) (講師:@kur) (60分)
 -Hadoop最前線(仮) (講師:@yanaoki)(60分)
 -大規模WEB行動マイニング(仮) (講師:@karubi) (60分)
 -WEB APIと画像分類最適化(仮) (講師:@yokkuns) (60分)
 -※追加募集中
 定員:20名
 アナウンス
  Google Group: http://groups.google.com/group/webmining-tokyo
   Twitter    : http://twitter.com/hamadakoichi
                                                                 77
推薦文献
推薦文献リンク




          Rによるデータサイエンス
          ~データ解析の基礎から最新手法まで ~




          Rによる時系列分析入門
ご清聴ありがとうございました




                 80
AGENDA
 ◆自己紹介
 ◆時系列分析とは
 ◆データ操作
 ◆モデル
   ◆ARモデル
   ◆ARMA/ARIMAモデル
   ◆ARFIMAモデル
   ◆ARCHモデル
 ◆最後に
                    81
目的: データマイニング+WEB勉強会@東京

         データマイニングの方法論を用い
      蓄積されたデータを有効活用していく方法を学ぶ
                                               統計解析
                 Web API
                                             データマイニング
              Amazon Web Service
                楽天 Web Service            対応分析        時系列分析
     Twitter API Recruit Web Service         回帰分析
                   Yahoo! Web Service                   クラスター分析
      はてな Web Service                                      判別分析
                                          主成分分析 因子分析
      (Bookmark/Graph/Keyword,…)
                                               カーネル法
         Google Data API                            樹木モデル
         (Calendar/Maps/BookSearch/
          FinancePortfolioData,…)                  ニューラルネットワーク
                                                  サポートベクターマシン
                   …        免疫型最適化      Particle Swam    …
                           Memetic          Ant Colony
                           遺伝的   熱力学的
                                シミュレーテドアニーリング
                                 力学モデルによる最適化
                           タブーサーチ    グラフ
                                                …
                                      最適解探索
                                      アルゴリズム
                                                                  82

More Related Content

What's hot

多重代入法の書き方 公開用
多重代入法の書き方 公開用 多重代入法の書き方 公開用
多重代入法の書き方 公開用 Koichiro Gibo
 
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシンShinya Shimizu
 
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門hoxo_m
 
最適輸送入門
最適輸送入門最適輸送入門
最適輸送入門joisino
 
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森Masashi Komori
 
100614 構造方程式モデリング基本の「き」
100614 構造方程式モデリング基本の「き」100614 構造方程式モデリング基本の「き」
100614 構造方程式モデリング基本の「き」Shinohara Masahiro
 
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Rで因子分析 商用ソフトで実行できない因子分析のあれこれRで因子分析 商用ソフトで実行できない因子分析のあれこれ
Rで因子分析 商用ソフトで実行できない因子分析のあれこれHiroshi Shimizu
 
不均衡データのクラス分類
不均衡データのクラス分類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
 
[DL輪読会]近年のエネルギーベースモデルの進展
[DL輪読会]近年のエネルギーベースモデルの進展[DL輪読会]近年のエネルギーベースモデルの進展
[DL輪読会]近年のエネルギーベースモデルの進展Deep Learning JP
 
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2Preferred Networks
 
レコメンドアルゴリズムの基本と周辺知識と実装方法
レコメンドアルゴリズムの基本と周辺知識と実装方法レコメンドアルゴリズムの基本と周辺知識と実装方法
レコメンドアルゴリズムの基本と周辺知識と実装方法Takeshi Mikami
 
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介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
 
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-Shiga University, RIKEN
 
トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Perplexity とは何なのか?トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Perplexity とは何なのか?hoxo_m
 
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learningゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement LearningPreferred Networks
 
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展Shiga University, RIKEN
 
全力解説!Transformer
全力解説!Transformer全力解説!Transformer
全力解説!TransformerArithmer Inc.
 
強化学習における好奇心
強化学習における好奇心強化学習における好奇心
強化学習における好奇心Shota Imai
 

What's hot (20)

多重代入法の書き方 公開用
多重代入法の書き方 公開用 多重代入法の書き方 公開用
多重代入法の書き方 公開用
 
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
 
Stan超初心者入門
Stan超初心者入門Stan超初心者入門
Stan超初心者入門
 
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
 
最適輸送入門
最適輸送入門最適輸送入門
最適輸送入門
 
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
 
100614 構造方程式モデリング基本の「き」
100614 構造方程式モデリング基本の「き」100614 構造方程式モデリング基本の「き」
100614 構造方程式モデリング基本の「き」
 
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Rで因子分析 商用ソフトで実行できない因子分析のあれこれRで因子分析 商用ソフトで実行できない因子分析のあれこれ
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
 
PRML8章
PRML8章PRML8章
PRML8章
 
不均衡データのクラス分類
不均衡データのクラス分類不均衡データのクラス分類
不均衡データのクラス分類
 
[DL輪読会]近年のエネルギーベースモデルの進展
[DL輪読会]近年のエネルギーベースモデルの進展[DL輪読会]近年のエネルギーベースモデルの進展
[DL輪読会]近年のエネルギーベースモデルの進展
 
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
 
レコメンドアルゴリズムの基本と周辺知識と実装方法
レコメンドアルゴリズムの基本と周辺知識と実装方法レコメンドアルゴリズムの基本と周辺知識と実装方法
レコメンドアルゴリズムの基本と周辺知識と実装方法
 
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
 
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
 
トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Perplexity とは何なのか?トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Perplexity とは何なのか?
 
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learningゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
 
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
 
全力解説!Transformer
全力解説!Transformer全力解説!Transformer
全力解説!Transformer
 
強化学習における好奇心
強化学習における好奇心強化学習における好奇心
強化学習における好奇心
 

Viewers also liked

異常行動検出入門 – 行動データ時系列のデータマイニング –
異常行動検出入門 – 行動データ時系列のデータマイニング –異常行動検出入門 – 行動データ時系列のデータマイニング –
異常行動検出入門 – 行動データ時系列のデータマイニング –Yohei Sato
 
Rによるデータサイエンス:12章「時系列」
Rによるデータサイエンス:12章「時系列」Rによるデータサイエンス:12章「時系列」
Rによるデータサイエンス:12章「時系列」Nagi Teramo
 
Strata Beijing 2017: Jumpy, a python interface for nd4j
Strata Beijing 2017: Jumpy, a python interface for nd4jStrata Beijing 2017: Jumpy, a python interface for nd4j
Strata Beijing 2017: Jumpy, a python interface for nd4jAdam Gibson
 
Tokyo r15 異常検知入門
Tokyo r15 異常検知入門Tokyo r15 異常検知入門
Tokyo r15 異常検知入門Yohei Sato
 
時系列分析による異常検知入門
時系列分析による異常検知入門時系列分析による異常検知入門
時系列分析による異常検知入門Yohei Sato
 
機械学習を用いた異常検知入門
機械学習を用いた異常検知入門機械学習を用いた異常検知入門
機械学習を用いた異常検知入門michiaki ito
 
FIT2012招待講演「異常検知技術のビジネス応用最前線」
FIT2012招待講演「異常検知技術のビジネス応用最前線」FIT2012招待講演「異常検知技術のビジネス応用最前線」
FIT2012招待講演「異常検知技術のビジネス応用最前線」Shohei Hido
 

Viewers also liked (7)

異常行動検出入門 – 行動データ時系列のデータマイニング –
異常行動検出入門 – 行動データ時系列のデータマイニング –異常行動検出入門 – 行動データ時系列のデータマイニング –
異常行動検出入門 – 行動データ時系列のデータマイニング –
 
Rによるデータサイエンス:12章「時系列」
Rによるデータサイエンス:12章「時系列」Rによるデータサイエンス:12章「時系列」
Rによるデータサイエンス:12章「時系列」
 
Strata Beijing 2017: Jumpy, a python interface for nd4j
Strata Beijing 2017: Jumpy, a python interface for nd4jStrata Beijing 2017: Jumpy, a python interface for nd4j
Strata Beijing 2017: Jumpy, a python interface for nd4j
 
Tokyo r15 異常検知入門
Tokyo r15 異常検知入門Tokyo r15 異常検知入門
Tokyo r15 異常検知入門
 
時系列分析による異常検知入門
時系列分析による異常検知入門時系列分析による異常検知入門
時系列分析による異常検知入門
 
機械学習を用いた異常検知入門
機械学習を用いた異常検知入門機械学習を用いた異常検知入門
機械学習を用いた異常検知入門
 
FIT2012招待講演「異常検知技術のビジネス応用最前線」
FIT2012招待講演「異常検知技術のビジネス応用最前線」FIT2012招待講演「異常検知技術のビジネス応用最前線」
FIT2012招待講演「異常検知技術のビジネス応用最前線」
 

Similar to [R勉強会][データマイニング] R言語による時系列分析

[データマイニング+WEB勉強会][R勉強会] R言語によるクラスター分析 - 活用編
[データマイニング+WEB勉強会][R勉強会] R言語によるクラスター分析 - 活用編[データマイニング+WEB勉強会][R勉強会] R言語によるクラスター分析 - 活用編
[データマイニング+WEB勉強会][R勉強会] R言語によるクラスター分析 - 活用編Koichi Hamada
 
オープニングトーク - 創設の思い・目的・進行方針  -データマイニング+WEB勉強会@東京
オープニングトーク - 創設の思い・目的・進行方針  -データマイニング+WEB勉強会@東京オープニングトーク - 創設の思い・目的・進行方針  -データマイニング+WEB勉強会@東京
オープニングトーク - 創設の思い・目的・進行方針  -データマイニング+WEB勉強会@東京Koichi Hamada
 
10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...
10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...
10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...Koichi Hamada
 
[データマイニング+WEB勉強会][R勉強会] 創設の思い・目的・進行方針
[データマイニング+WEB勉強会][R勉強会] 創設の思い・目的・進行方針[データマイニング+WEB勉強会][R勉強会] 創設の思い・目的・進行方針
[データマイニング+WEB勉強会][R勉強会] 創設の思い・目的・進行方針Koichi Hamada
 
[データマイニング+WEB勉強会][R勉強会] はじめてでもわかる R言語によるクラスター分析 - 似ているものをグループ化する-
[データマイニング+WEB勉強会][R勉強会] はじめてでもわかる R言語によるクラスター分析 - 似ているものをグループ化する-[データマイニング+WEB勉強会][R勉強会] はじめてでもわかる R言語によるクラスター分析 - 似ているものをグループ化する-
[データマイニング+WEB勉強会][R勉強会] はじめてでもわかる R言語によるクラスター分析 - 似ているものをグループ化する-Koichi Hamada
 
ソーシャルデザインパターン -評判と情報収集-
ソーシャルデザインパターン -評判と情報収集-ソーシャルデザインパターン -評判と情報収集-
ソーシャルデザインパターン -評判と情報収集-Koichi Hamada
 
Big data解析ビジネス
Big data解析ビジネスBig data解析ビジネス
Big data解析ビジネスMie Mori
 
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平Preferred Networks
 
実社会・実環境におけるロボットの機械学習
実社会・実環境におけるロボットの機械学習実社会・実環境におけるロボットの機械学習
実社会・実環境におけるロボットの機械学習Kuniyuki Takahashi
 
機械学習応用アーキテクチャ・デザインパターン概観
機械学習応用アーキテクチャ・デザインパターン概観機械学習応用アーキテクチャ・デザインパターン概観
機械学習応用アーキテクチャ・デザインパターン概観Hironori Washizaki
 
sitTokyo2023_DWCで機械学習をやってみた_Shared.pptx
sitTokyo2023_DWCで機械学習をやってみた_Shared.pptxsitTokyo2023_DWCで機械学習をやってみた_Shared.pptx
sitTokyo2023_DWCで機械学習をやってみた_Shared.pptxssuser1525ed
 
研究用途でのAWSの利用事例と機械学習について
研究用途でのAWSの利用事例と機械学習について研究用途でのAWSの利用事例と機械学習について
研究用途でのAWSの利用事例と機械学習についてYasuhiro Matsuo
 
JJUG CCC リクルートの Java に対する取り組み
JJUG CCC リクルートの Java に対する取り組みJJUG CCC リクルートの Java に対する取り組み
JJUG CCC リクルートの Java に対する取り組みRecruit Technologies
 
相互運用可能な作文計測システムの設計 - リアルタイムモニタリングに向けて -
相互運用可能な作文計測システムの設計 - リアルタイムモニタリングに向けて -相互運用可能な作文計測システムの設計 - リアルタイムモニタリングに向けて -
相互運用可能な作文計測システムの設計 - リアルタイムモニタリングに向けて -yamahige
 
MojiHimoji(20110218)
MojiHimoji(20110218)MojiHimoji(20110218)
MojiHimoji(20110218)真 岡本
 
実社会・実環境におけるロボットの機械学習 ver. 2
実社会・実環境におけるロボットの機械学習 ver. 2実社会・実環境におけるロボットの機械学習 ver. 2
実社会・実環境におけるロボットの機械学習 ver. 2Kuniyuki Takahashi
 
スマートエスイーセミナー:機外学習応用システムパターンの例
スマートエスイーセミナー:機外学習応用システムパターンの例スマートエスイーセミナー:機外学習応用システムパターンの例
スマートエスイーセミナー:機外学習応用システムパターンの例HironoriTAKEUCHI1
 
1028 TECH & BRIDGE MEETING
1028 TECH & BRIDGE MEETING1028 TECH & BRIDGE MEETING
1028 TECH & BRIDGE MEETING健司 亀本
 

Similar to [R勉強会][データマイニング] R言語による時系列分析 (20)

[データマイニング+WEB勉強会][R勉強会] R言語によるクラスター分析 - 活用編
[データマイニング+WEB勉強会][R勉強会] R言語によるクラスター分析 - 活用編[データマイニング+WEB勉強会][R勉強会] R言語によるクラスター分析 - 活用編
[データマイニング+WEB勉強会][R勉強会] R言語によるクラスター分析 - 活用編
 
オープニングトーク - 創設の思い・目的・進行方針  -データマイニング+WEB勉強会@東京
オープニングトーク - 創設の思い・目的・進行方針  -データマイニング+WEB勉強会@東京オープニングトーク - 創設の思い・目的・進行方針  -データマイニング+WEB勉強会@東京
オープニングトーク - 創設の思い・目的・進行方針  -データマイニング+WEB勉強会@東京
 
10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...
10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...
10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...
 
[データマイニング+WEB勉強会][R勉強会] 創設の思い・目的・進行方針
[データマイニング+WEB勉強会][R勉強会] 創設の思い・目的・進行方針[データマイニング+WEB勉強会][R勉強会] 創設の思い・目的・進行方針
[データマイニング+WEB勉強会][R勉強会] 創設の思い・目的・進行方針
 
[データマイニング+WEB勉強会][R勉強会] はじめてでもわかる R言語によるクラスター分析 - 似ているものをグループ化する-
[データマイニング+WEB勉強会][R勉強会] はじめてでもわかる R言語によるクラスター分析 - 似ているものをグループ化する-[データマイニング+WEB勉強会][R勉強会] はじめてでもわかる R言語によるクラスター分析 - 似ているものをグループ化する-
[データマイニング+WEB勉強会][R勉強会] はじめてでもわかる R言語によるクラスター分析 - 似ているものをグループ化する-
 
ソーシャルデザインパターン -評判と情報収集-
ソーシャルデザインパターン -評判と情報収集-ソーシャルデザインパターン -評判と情報収集-
ソーシャルデザインパターン -評判と情報収集-
 
Big data解析ビジネス
Big data解析ビジネスBig data解析ビジネス
Big data解析ビジネス
 
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
 
実社会・実環境におけるロボットの機械学習
実社会・実環境におけるロボットの機械学習実社会・実環境におけるロボットの機械学習
実社会・実環境におけるロボットの機械学習
 
機械学習応用アーキテクチャ・デザインパターン概観
機械学習応用アーキテクチャ・デザインパターン概観機械学習応用アーキテクチャ・デザインパターン概観
機械学習応用アーキテクチャ・デザインパターン概観
 
sitTokyo2023_DWCで機械学習をやってみた_Shared.pptx
sitTokyo2023_DWCで機械学習をやってみた_Shared.pptxsitTokyo2023_DWCで機械学習をやってみた_Shared.pptx
sitTokyo2023_DWCで機械学習をやってみた_Shared.pptx
 
研究用途でのAWSの利用事例と機械学習について
研究用途でのAWSの利用事例と機械学習について研究用途でのAWSの利用事例と機械学習について
研究用途でのAWSの利用事例と機械学習について
 
JJUG CCC リクルートの Java に対する取り組み
JJUG CCC リクルートの Java に対する取り組みJJUG CCC リクルートの Java に対する取り組み
JJUG CCC リクルートの Java に対する取り組み
 
相互運用可能な作文計測システムの設計 - リアルタイムモニタリングに向けて -
相互運用可能な作文計測システムの設計 - リアルタイムモニタリングに向けて -相互運用可能な作文計測システムの設計 - リアルタイムモニタリングに向けて -
相互運用可能な作文計測システムの設計 - リアルタイムモニタリングに向けて -
 
MojiHimoji(20110218)
MojiHimoji(20110218)MojiHimoji(20110218)
MojiHimoji(20110218)
 
MapReduceによる大規模データ処理 at Yahoo! JAPAN
MapReduceによる大規模データ処理 at Yahoo! JAPANMapReduceによる大規模データ処理 at Yahoo! JAPAN
MapReduceによる大規模データ処理 at Yahoo! JAPAN
 
実社会・実環境におけるロボットの機械学習 ver. 2
実社会・実環境におけるロボットの機械学習 ver. 2実社会・実環境におけるロボットの機械学習 ver. 2
実社会・実環境におけるロボットの機械学習 ver. 2
 
スマートエスイーセミナー:機外学習応用システムパターンの例
スマートエスイーセミナー:機外学習応用システムパターンの例スマートエスイーセミナー:機外学習応用システムパターンの例
スマートエスイーセミナー:機外学習応用システムパターンの例
 
1028 TECH & BRIDGE MEETING
1028 TECH & BRIDGE MEETING1028 TECH & BRIDGE MEETING
1028 TECH & BRIDGE MEETING
 
JAWSUG 20190620
JAWSUG 20190620JAWSUG 20190620
JAWSUG 20190620
 

More from Koichi Hamada

Anime Generation with AI
Anime Generation with AIAnime Generation with AI
Anime Generation with AIKoichi Hamada
 
Generative Adversarial Networks @ ICML 2019
Generative Adversarial Networks @ ICML 2019Generative Adversarial Networks @ ICML 2019
Generative Adversarial Networks @ ICML 2019Koichi Hamada
 
AIによるアニメ生成の挑戦
AIによるアニメ生成の挑戦AIによるアニメ生成の挑戦
AIによるアニメ生成の挑戦Koichi Hamada
 
Generative Adversarial Networks (GANs) and Disentangled Representations @ N...
Generative Adversarial Networks (GANs) and Disentangled Representations @ N...Generative Adversarial Networks (GANs) and Disentangled Representations @ N...
Generative Adversarial Networks (GANs) and Disentangled Representations @ N...Koichi Hamada
 
Generative Adversarial Networks (GAN) @ NIPS2017
Generative Adversarial Networks (GAN) @ NIPS2017Generative Adversarial Networks (GAN) @ NIPS2017
Generative Adversarial Networks (GAN) @ NIPS2017Koichi Hamada
 
DeNAのAI活用したサービス開発
DeNAのAI活用したサービス開発DeNAのAI活用したサービス開発
DeNAのAI活用したサービス開発Koichi Hamada
 
対話返答生成における個性の追加反映
対話返答生成における個性の追加反映対話返答生成における個性の追加反映
対話返答生成における個性の追加反映Koichi Hamada
 
Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換
Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換
Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換Koichi Hamada
 
NIPS 2016 Overview and Deep Learning Topics
NIPS 2016 Overview and Deep Learning Topics  NIPS 2016 Overview and Deep Learning Topics
NIPS 2016 Overview and Deep Learning Topics Koichi Hamada
 
DeNAの機械学習・深層学習活用した 体験提供の挑戦
DeNAの機械学習・深層学習活用した体験提供の挑戦DeNAの機械学習・深層学習活用した体験提供の挑戦
DeNAの機械学習・深層学習活用した 体験提供の挑戦Koichi Hamada
 
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...Koichi Hamada
 
DeNAの大規模データマイニング活用したサービス開発
DeNAの大規模データマイニング活用したサービス開発DeNAの大規模データマイニング活用したサービス開発
DeNAの大規模データマイニング活用したサービス開発Koichi Hamada
 
『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014
『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014
『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014Koichi Hamada
 
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点- 『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点- Koichi Hamada
 
複雑ネットワーク上の伝搬法則の数理
複雑ネットワーク上の伝搬法則の数理複雑ネットワーク上の伝搬法則の数理
複雑ネットワーク上の伝搬法則の数理Koichi Hamada
 
データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望
データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望 データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望
データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望 Koichi Hamada
 
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
 
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #HadoopLarge Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #HadoopKoichi Hamada
 
"Mahout Recommendation" - #TokyoWebmining 14th
"Mahout Recommendation" -  #TokyoWebmining 14th"Mahout Recommendation" -  #TokyoWebmining 14th
"Mahout Recommendation" - #TokyoWebmining 14thKoichi Hamada
 
Mahout JP - #TokyoWebmining 11th #MahoutJP
Mahout JP -  #TokyoWebmining 11th #MahoutJP Mahout JP -  #TokyoWebmining 11th #MahoutJP
Mahout JP - #TokyoWebmining 11th #MahoutJP Koichi Hamada
 

More from Koichi Hamada (20)

Anime Generation with AI
Anime Generation with AIAnime Generation with AI
Anime Generation with AI
 
Generative Adversarial Networks @ ICML 2019
Generative Adversarial Networks @ ICML 2019Generative Adversarial Networks @ ICML 2019
Generative Adversarial Networks @ ICML 2019
 
AIによるアニメ生成の挑戦
AIによるアニメ生成の挑戦AIによるアニメ生成の挑戦
AIによるアニメ生成の挑戦
 
Generative Adversarial Networks (GANs) and Disentangled Representations @ N...
Generative Adversarial Networks (GANs) and Disentangled Representations @ N...Generative Adversarial Networks (GANs) and Disentangled Representations @ N...
Generative Adversarial Networks (GANs) and Disentangled Representations @ N...
 
Generative Adversarial Networks (GAN) @ NIPS2017
Generative Adversarial Networks (GAN) @ NIPS2017Generative Adversarial Networks (GAN) @ NIPS2017
Generative Adversarial Networks (GAN) @ NIPS2017
 
DeNAのAI活用したサービス開発
DeNAのAI活用したサービス開発DeNAのAI活用したサービス開発
DeNAのAI活用したサービス開発
 
対話返答生成における個性の追加反映
対話返答生成における個性の追加反映対話返答生成における個性の追加反映
対話返答生成における個性の追加反映
 
Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換
Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換
Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換
 
NIPS 2016 Overview and Deep Learning Topics
NIPS 2016 Overview and Deep Learning Topics  NIPS 2016 Overview and Deep Learning Topics
NIPS 2016 Overview and Deep Learning Topics
 
DeNAの機械学習・深層学習活用した 体験提供の挑戦
DeNAの機械学習・深層学習活用した体験提供の挑戦DeNAの機械学習・深層学習活用した体験提供の挑戦
DeNAの機械学習・深層学習活用した 体験提供の挑戦
 
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...
 
DeNAの大規模データマイニング活用したサービス開発
DeNAの大規模データマイニング活用したサービス開発DeNAの大規模データマイニング活用したサービス開発
DeNAの大規模データマイニング活用したサービス開発
 
『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014
『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014
『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014
 
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点- 『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
 
複雑ネットワーク上の伝搬法則の数理
複雑ネットワーク上の伝搬法則の数理複雑ネットワーク上の伝搬法則の数理
複雑ネットワーク上の伝搬法則の数理
 
データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望
データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望 データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望
データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望
 
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
 
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #HadoopLarge Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
 
"Mahout Recommendation" - #TokyoWebmining 14th
"Mahout Recommendation" -  #TokyoWebmining 14th"Mahout Recommendation" -  #TokyoWebmining 14th
"Mahout Recommendation" - #TokyoWebmining 14th
 
Mahout JP - #TokyoWebmining 11th #MahoutJP
Mahout JP -  #TokyoWebmining 11th #MahoutJP Mahout JP -  #TokyoWebmining 11th #MahoutJP
Mahout JP - #TokyoWebmining 11th #MahoutJP
 

[R勉強会][データマイニング] R言語による時系列分析

  • 1. R勉強会@東京 第4回 R言語による時系列分析 hamadakoichi 濱田 晃一 2010/04/24
  • 2. R言語による時系列分析 各種時系列分析が容易に行えます ソースコード 実行結果 2
  • 3. 位置づけ データマイニングの方法論を用いての 蓄積データの有効活用 統計解析 Web API データマイニング Amazon Web Service 楽天 Web Service 対応分析 時系列分析 Twitter API Recruit Web Service 回帰分析 Yahoo! Web Service クラスター分析 はてな Web Service 判別分析 主成分分析 因子分析 (Bookmark/Graph/Keyword,…) カーネル法 Google Data API 樹木モデル (Calendar/Maps/BookSearch/ FinancePortfolioData,…) ニューラルネットワーク サポートベクターマシン … 免疫型最適化 Particle Swam … Memetic Ant Colony 遺伝的 熱力学的 シミュレーテドアニーリング 力学モデルによる最適化 タブーサーチ グラフ … 最適解探索 アルゴリズム 3
  • 4. 位置づけ 時系列分析 統計解析 Web API データマイニング Amazon Web Service 楽天 Web Service 対応分析 時系列分析 Twitter API Recruit Web Service 回帰分析 Yahoo! Web Service クラスター分析 はてな Web Service 判別分析 主成分分析 因子分析 (Bookmark/Graph/Keyword,…) カーネル法 Google Data API 樹木モデル (Calendar/Maps/BookSearch/ FinancePortfolioData,…) ニューラルネットワーク サポートベクターマシン … 免疫型最適化 Particle Swam … Memetic Ant Colony 遺伝的 熱力学的 シミュレーテドアニーリング 力学モデルによる最適化 タブーサーチ グラフ … 最適解探索 アルゴリズム 4
  • 5. AGENDA ◆自己紹介 ◆時系列分析とは ◆データ操作 ◆モデル ◆ARモデル ◆ARMA/ARIMAモデル ◆ARFIMAモデル ◆ARCHモデル ◆最後に
  • 6. AGENDA ◆自己紹介 ◆時系列分析とは ◆データ操作 ◆モデル ◆ARモデル ◆ARMA/ARIMAモデル ◆ARFIMAモデル ◆ARCHモデル ◆最後に
  • 7. hamadakoichi 濱田晃一 http://iddy.jp/profile/hamadakoichi 7
  • 9. 自己紹介:hamadakoichi 濱田晃一 データマイニング+WEB勉強会@東京 主催者です ぜひご参加下さい Google Group: http://groups.google.com/group/webmining-tokyo 9
  • 10. 自己紹介:hamadakoichi 濱田晃一 5/16(日) 第4回 データマイニング+WEB勉強会 WEB祭り です AGENDA 5/16(日) 13:00 - 19:00 -ソーシャルウェブとレコメンデーション(仮) 講師:@hamadakoichi (60分) -WEB行動マイニング(仮) (講師:@kur) (60分) -Hadoop最前線(仮) (講師:@yanaoki)(60分)※調整中 -大規模WEB行動マイニング(仮) (講師:@karubi) (60分) -WEB APIと画像分類最適化(仮) (講師:@yokkuns) (60分) -※追加募集中 定員:20名 アナウンス Google Group: http://groups.google.com/group/webmining-tokyo Twitter : http://twitter.com/hamadakoichi 10
  • 11. 自己紹介:hamadakoichi 濱田晃一 5/16(日) 第4回 データマイニング+WEB勉強会 WEB祭り です AGENDA 5/16(日) 13:00 - 19:00 -ソーシャルウェブとレコメンデーション(仮) 講師:@hamadakoichi (60分) -WEB行動マイニング(仮) (講師:@kur) (60分) -Hadoop最前線(仮) (講師:@yanaoki)(60分)※調整中 -大規模WEB行動マイニング(仮) (講師:@karubi) (60分) -WEB APIと画像分類最適化(仮) (講師:@yokkuns) (60分) -※追加募集中 定員:20名 アナウンス Google Group: http://groups.google.com/group/webmining-tokyo Twitter : http://twitter.com/hamadakoichi 11
  • 12. 自己紹介:hamadakoichi 濱田晃一 5/16(日) 第4回 データマイニング+WEB勉強会 WEB祭り です AGENDA 5/16(日) 13:00 - 19:00 -ソーシャルウェブとレコメンデーション(仮) (講師:@hamadakoichi) (60分) -WEB行動マイニング(仮) (講師:@kur) (60分) -Hadoop最前線(仮) (講師:@yanaoki)(60分) -大規模WEB行動マイニング(仮) (講師:@karubi) (60分) -WEB APIと画像分類最適化(仮) (講師:@yokkuns) (60分) -※追加募集中 定員:20名 アナウンス Google Group: http://groups.google.com/group/webmining-tokyo Twitter : http://twitter.com/hamadakoichi 12
  • 13. データマイニング+WEB勉強会@東京を 発表者・参加者にとって より有意義な場にしたい 3つの進行方針 13
  • 14. 3つの進行方針 充分な時間を充て 理解・議論を優先する 1.充分な時間: 各テーマごとにしっかり時間を充てる (浅く多くではなく、少ないテーマでも深く) 2.理解: 進行を急がない。分からないところはすぐ質問。 講師・各メンバーからの返答で、みなで理解を深めることを優先する。 3.議論: 議論時間をしっかりとる。 各分野の意見の共有、皆での発想・創造を優先する。 全員でのフラットな議論。講師にとっても有意義な場となるようにする。 14
  • 15. 自己紹介:hamadakoichi 濱田晃一 理論物理 博士 量子統計場の理論 Statistical Field Theory Spontaneously Time-Reversal Symmetry Breaking Anisotropic Massless Dirac Fermions 博士論文(2004/03): http://hosi.phys.s.u-tokyo.ac.jp/~koichi/PhD-thesis.pdf 15
  • 16. 自己紹介:hamadakoichi 濱田晃一 文部大臣に褒められた 元 文部大臣・法務大臣 六法全書著者・元法学政治学研究科長 森山眞弓さん 菅野和夫さん 16
  • 17. 自己紹介:hamadakoichi 濱田晃一 Los Angelesでプロダンサーに褒められた ・HIP HOP/House ダンス歴13年 ・ダンス開始後 1年半でL.A.でプロダンサーに褒められる Youtube Channel: http://www.youtube.com/hamadakoichi 17
  • 18. 自己紹介:hamadakoichi 濱田晃一 東京と京都で 物理ダンス部を創設 駒場物理ダンス部 京都大学基礎物理学研究所ダンス部 部長兼コーチ 部長兼コーチ 現在: 毎週末 3時間ダンスコーチ Youtube Channel: http://www.youtube.com/hamadakoichi 18
  • 19. 数理解析手法の実ビジネス適用 数理解析手法を実ビジネス適用する 方法論・システムを作り上げてきました 19
  • 20. 数理解析手法の実ビジネス適用 数理解析手法を実ビジネス適用する 方法論・システムを作り上げてきました 主な領域 ◆活動の数理モデル化・解析手法 ◆業務プロセス分析手法・再構築手法 ◆業務プロセス実行制御・実績解析システム … K. Hamada, F.Kimura, M.Nakao, N. Kobayashi, K.Hamada, T.Totsuka, S.Yamada, "Unified graph representation of processes “Decoupling Executions in Navigating Manufacturing for scheduling with flexible resource Processes for Shortening Lead Time and Its Implementation assignment", to an Unmanned Machine Shop”, to be published in CIRP ICMS (2010). CIRP Annals - Manufacturing Technology Volume 56, Issue 1, Pages 171-174 (2007) 20
  • 21. 数理解析手法の実ビジネス適用:例 一品一様の業務プロセスの 動的なプロセス制御数理体系を構築 全体生産リードタイム中央値を 1/2.7に短縮 設計開始~頭だし出荷リードタイム開 始 日 時 の 箱 ひ げ 図 設 計 開 始 ~ 頭 だ し出 荷 CT対 週 集 計 体系適用 500 適用後 設計開始~頭だし出荷CT 400 360.4h(15.0日) 1/2.7 300 200 100 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 141.6h(5.9日) 00 00 9: 9: 9: 9: 9: 9: 9: 9: 9: 9: 9: 9: 9: 9: 0 7 4 1 8 5 1 8 5 2 9 6 3 0 /2 /2 /0 /1 /1 /2 /0 /0 /1 /2 /2 /0 /1 /2 / 09 / 09 / 10 / 10 / 10 / 10 / 11 / 11 / 11 / 11 / 11 / 12 / 12 / 12 04 04 04 04 04 04 04 04 04 04 04 04 04 04 20 20 20 20 20 20 20 20 20 20 20 20 20 20 週 集 計 開 始 日 時 21
  • 22. 数理解析手法の実ビジネス適用:例 一品一様の業務プロセスの 動的なプロセス制御数理体系を構築 変動性から生じる動的な課題 ・リソースの競合 ・滞留 ・納期遅延 … 一品一様な業務プロセスを含む 統計解析・制御数理モデル ・統計的な有効変数算出 ・統計数理モデル化 -優先順位制御 -実行タイミング制御 -統計フィードバック -適正リソース量算出 ・予測数理体系 論文(体系の一部) M.Nakao, N. Kobayashi, K.Hamada, T.Totsuka, S.Yamada, “Decoupling Executions in Navigating Manufacturing Processes for Shortening Lead Time and Its Implementation to an Unmanned Machine Shop”, CIRP Annals - Manufacturing Technology Volume 56, Issue 1, Pages 171-174 (2007) 22
  • 23. 数理解析手法の実ビジネス適用:例 活動の統一グラフモデルを構築 K.Hamada, F.Kimura, Unified graph representation of processes for scheduling with flexible resource assignment, to be published in CIRP 2010 青字:割付モデル属性 [ ] : Optional Node ・priority(優先度) Edge ・duration(予定時間) [・earliest(再早開始日時) ] Process Edge Process [・deadline(納期) ] [・or(条件集約数) ] 前プロセスの終了後に後プロセスが プロセスを表す 開始できること表す ・attributes(属性) preemptable(中断可否), successive(引継ぎ可否) Uses Edge workload(作業負荷) Processが使用する uses uses uses uses uses uses Assign Region を表す Assign Region Assigns from Edge 同一Resourceを割付け続ける Assign Regionに assigns from assigns from 指定Resourceの子Resource集合の 範囲を表す assigns assigns 中から割付けることを示す 工場01 [process] has has [startDate(開始日時)] [endDate(終了日時)] Assigns Edge 型01 仕上WG StartDateからEndDateまでの間 Resource has Assign RegionにResourceを 割付対象要素を表す has has has has has has 割付けることを表す ・capacity(容量) ・calender(カレンダー) CAVI01 CORE01 … 山田さん 田中さん 鈴木さん ・attributes(属性) Has Edge 東さん Resourceの所有関係を表す 23
  • 24. 数理解析手法の実ビジネス適用:例 活動の統一グラフモデルを構築 K.Hamada, F.Kimura, Unified graph representation of processes for scheduling with flexible resource assignment, to be published in CIRP 2010 24
  • 26. 2010年5月上旬の講演・トーク予定 ぜひお越しください 日 コミュニティ 会情報 2010/05/01(土) パターン認識と機械学習 ・多項式曲線フィッティング (PRML) Revenge #1 ・確率論 2010/05/07(金) Linux Business Initiative 業務プロセス改革とデータマイ 2010年度総会・ビジネス ニング 講演会 2010/05/09(日) Tsukuba.R #7 はじめてでもわかる回帰分析 (線形回帰、非線形回帰ともに) 26
  • 27. 講演:2010/05/01(土) パターン認識と機械学習(PRML) Revenge #1 多項式曲線フィッティング+確率論 PRML Revenge #1 http://atnd.org/events/4115 27
  • 28. 講演:2010/05/07(金) Linux Business Initiative 2010年度総会・ビジネス講演会 「業務プロセス改革とデータマイニング」 蓄積データの有効活用 LBIビジネス講演会 http://www.lbi.gr.jp/modules/eguide/event.php?eid=31 28
  • 29. 講演:2010/05/09(日) Tsukuba.R #7 「はじめてでも分かる 回帰分析」 事象発生の関数形の推測 ・線形回帰(単・重) ・非線形回帰 Tokyo.R #4 http://atnd.org/events/3930 29
  • 30. AGENDA ◆自己紹介 ◆時系列分析とは ◆データ操作 ◆モデル ◆ARモデル ◆ARMA/ARIMAモデル ◆ARFIMAモデル ◆ARCHモデル ◆最後に 30
  • 31. 時系列データ 時間変動する要素を 時間の順序で測定・観測したデータ 時系列データ ・医療データ:心電図、脳波 ・気象データ:気温、気圧 ・金融データ:株価、為替レート 31
  • 32. 時系列データ 時間変動する要素を 時間の順序で測定・観測したデータ 時系列データ 2003年ノーベル経済学賞 ・医療データ:心電図、脳波 「時系列分析手法」 ・気象データ:気温、気圧 Clive W.J. Granger ・金融データ:株価、為替レート Robert F. Engle 32
  • 33. 時系列データ 時間変動する要素を 時間の順序で測定・観測したデータ 時系列データ 2003年ノーベル経済学賞 ・医療データ:心電図、脳波 「時系列分析手法」 ・気象データ:気温、気圧 Clive W.J. Granger ・金融データ:株価、為替レート Robert F. Engle 例:UKgas イギリスのガス消費量の時系列データ 年 33
  • 34. 時系列データ UKgas イギリスのガス消費量の時系列データ 1960年から1986年まで四半期ごとに観測 United Kingdom Gas 年 1Q 2Q 3Q 4Q 34
  • 35. 時系列データの形式と属性 時刻tをインデクスとしたデータ列 35
  • 36. 時系列データの形式と属性 時刻tをインデクスとしたデータ列 36
  • 37. 時系列データの形式と属性 時刻tをインデクスとしたデータ列 37
  • 38. 時系列データの形式と属性 時刻tをインデクスとしたデータ列 38
  • 39. AGENDA ◆自己紹介 ◆時系列解析とは ◆データ操作 ◆モデル ◆ARモデル ◆ARMA/ARIMAモデル ◆ARFIMAモデル ◆GARCHモデル ◆最後に 39
  • 40. 時系列表示 関数 ts.plot 折れ線グラフ表示 40
  • 41. データオブジェクトの作成 関数 ts 時系列オブジェクト作成 非時系列オブジェクトから時系列データオブジェクトを作成する 41
  • 42. ラグ処理 関数 lag 時間をシフトする 定義 42
  • 43. ラグ処理 関数 lag 時間をシフトする 定義 43
  • 44. 差分 関数 diff ytからyt-1を引く トレンドを除去できる 差分定義 UKgas diff(UKgas) 44
  • 45. 時系列データの統計量 時系列データの特性を表す統計量 時系列 に対して 定義 ◆ 標本平均 ◆ と の 標本自己共分散 ◆ と の 標本自己相関関数 45
  • 46. 時系列データの統計量 時系列データの特性を表す統計量 時系列 に対して 定義 ◆ 標本平均 ◆ と の 標本自己共分散 ◆ と の 標本自己相関関数 平均や自己共分散 時間変化しない ⇒定常時系列 時間変化する ⇒非定常時系列 46
  • 47. 時系列データの統計量 関数 acf 自己共分散、自己相関を求める 時系列 に対して 定義 ◆ 標本平均 ◆ と の 標本自己共分散 ◆ と の 標本自己相関関数 平均や自己共分散 時間変化しない ⇒定常時系列 時間変化する ⇒非定常時系列 47
  • 48. 時系列データの統計量 関数 acf 自己共分散、自己相関を求める acf(x, type=“correlation”, plot = TRUE,…) 引数 x : 時系列データ type : “correlation(自己相関)”, “covariance(自己共分散)”, “partial(偏相関)”, (デフォルト:“correlation(自己相関)”) plot :自動図示の指定(デフォルト:TRUE) 48
  • 49. 時系列データの統計量 関数 acf 自己共分散、自己相関を求める correlation covariance partial (自己相関) (自己共分散) (偏相関) 49
  • 50. スペクトル分析 隠された周期性を解析 周期成分の強度分布算出 フーリエ変換 時間k成分 ⇒ 振動数f成分 Spectrum (Power Spectral density Function) 時系列の自己共分散のフーリエ変換 Periodgram 標本データの自己共分散のフーリエ変換 50
  • 51. スペクトル分析 隠された周期性を解析 周期成分の強度分布算出 スペクトル分析 スペクトル分析 時系列表示 スペクトル分析 (Daniell平滑化) (自己回帰) 51
  • 52. AGENDA ◆自己紹介 ◆時系列分析とは ◆データ操作 ◆モデル ◆ARモデル ◆ARMA/ARIMAモデル ◆ARFIMAモデル ◆ARCHモデル ◆最後に
  • 53. AGENDA ◆自己紹介 ◆時系列分析とは ◆データ操作 ◆モデル ◆ARモデル ◆ARMA/ARIMAモデル ◆ARFIMAモデル ◆ARCHモデル ◆最後に
  • 54. ARモデル AutoRegression(自己回帰) Model 時系列時点 t-p から tまでの各データの関係式 ai : 自己回帰係数 (i=1,..,p) p : 次数 et: 残差(平均0、分散σ2)の正規分布 モデル推定 Yule-Walker法, 最小2乗法 最尤法, Burg法, … 次数 p と 自己回帰係数 ai (i=1,..,p)を決定する 次数pのARモデル AR(p) 54
  • 55. 関数arとモデル推定 ar 自己回帰モデルを求める関数 ar(x, aic=TURE,method=“”, order.max=NULL) 引数 x : 時系列データ aic : モデルを評価する情報量基準AICを用いるか method :自己回帰を推定する方法 “yule-walker (ユールウォーカー法)(Default)”, “ols(最小2乗法)”, “mle(最尤法)”, “burg(バーグ法)” order.max : 次数の最大値を指定 55
  • 58. 予測 Predict 自己回帰モデルarで求めたモデルを用い予測する 1986年までのデータから1987以降を予測 58
  • 59. 予測 Predict 自己回帰モデルarで求めたモデルを用い予測する 1986年までのデータから1987以降を予測 59
  • 60. AGENDA ◆自己紹介 ◆時系列分析とは ◆データ操作 ◆モデル ◆ARモデル ◆ARMA/ARIMAモデル ◆ARFIMAモデル ◆ARCHモデル ◆最後に 60
  • 61. ARMA/ARIMAモデル ARMAモデル:AR(p,q) (AutoRegressive Moving Average:自己回帰移動平均) ARモデルに残差の移動平均を加えたモデル 残差の移動平均 61
  • 62. ARMA/ARIMAモデル ARMAモデル:AR(p,q) (AutoRegressive Moving Average:自己回帰移動平均) ARモデルに残差の移動平均を加えたモデル 残差の移動平均 ytのd階の差分演算子のモデル 62
  • 63. ARMA/ARIMAモデル ARMAモデル:AR(p,q) (AutoRegressive Moving Average:自己回帰移動平均) ARモデルに残差の移動平均を加えたモデル 残差の移動平均 ytのd階の差分演算子のモデル ARIMAモデル:AR(p,d,q) (AutoRegressive Integrated Moving Average:自己回帰和分移動平均) 63
  • 64. 関数armaとモデル推定 関数 arima 単変量時系列データを当てはめるARMAモデル関数 arima(x, order =c(0,0,0),..)) 引数 x : 時系列データ order : (自己回帰の次数 p, 差分の階数 d, 過去の残差の移動平均の次数q) ARIMAモデル:AR(p,d,q) 64
  • 65. モデルの選択 引数orderのp,d,qの決定 情報量規準値が最も小さい組み合わせを用いる 65
  • 66. AGENDA ◆自己紹介 ◆時系列分析とは ◆データ操作 ◆モデル ◆ARモデル ◆ARMA/ARIMAモデル ◆ARFIMAモデル ◆ARCHモデル ◆最後に 66
  • 67. ARFIMAモデル ARFIMAモデル (AutoRegressive Fractionally Integrated Moving Average) 自己回帰実数和分移動平均 ARMAモデルの過剰差分を克服する 差分の次数dを任意の次数に一般化 fracdiff(x, nar =0,dtol=NULL, nma=0,..)) 引数 x : 時系列データ nar : 自己回帰の次数 p, tdol:差分の階数 d, nma:過去の残差の移動平均の次数q 67
  • 68. AGENDA ◆自己紹介 ◆時系列分析とは ◆データ操作 ◆モデル ◆ARモデル ◆ARMA/ARIMAモデル ◆ARFIMAモデル ◆ARCHモデル ◆最後に 68
  • 69. ARCHモデル ARCHモデル (AutoRegressive Conditional Heteroscedastic) 自己回帰条件付き分散不均一 ARCHモデル 条件付平均 条件付分散 の 正規分布 に従う。 69
  • 70. ARCHモデル ARCHモデル (AutoRegressive Conditional Heteroscedastic) 自己回帰条件付き分散不均一 ARCHモデル 条件付平均 条件付分散 の 正規分布 に従う。 拡張 GARCH (Generalized ARCH)モデル 70
  • 71. ARCHモデル ARCHモデル (AutoRegressive Conditional Heteroscedastic) 自己回帰条件付き分散不均一 ARCHモデル 条件付平均 条件付分散 の 正規分布 に従う。 拡張 GARCH (Generalized ARCH)モデル R言語でのGARCHモデル当てはめ関数 ・garch (package : tseries) ・garchfit (package: fSeries) 71
  • 72. AGENDA ◆自己紹介 ◆時系列分析とは ◆データ操作 ◆モデル ◆ARモデル ◆ARMA/ARIMAモデル ◆ARFIMAモデル ◆ARCHモデル ◆最後に 72
  • 73. 最後に 蓄積されたデータを有効活用してきたい 73
  • 74. 最後に 蓄積されたデータを有効活用してきたい Google Group: http://groups.google.com/group/webmining-tokyo 74
  • 75. 最後に データマイニング+WEB勉強会 発表者を募集しています 連絡 Google Group: http://groups.google.com/group/webmining-tokyo Twitter : http://twitter.com/hamadakoichi 75
  • 76. 最後に 5/16(日) 第4回 データマイニング+WEB勉強会 WEB祭り です 76
  • 77. 最後に 5/16(日) 第4回 データマイニング+WEB勉強会 WEB祭り です AGENDA 5/16(日) 13:00 - 19:00 -ソーシャルウェブとレコメンデーション(仮) (講師:@hamadakoichi) (60分) -WEB行動マイニング(仮) (講師:@kur) (60分) -Hadoop最前線(仮) (講師:@yanaoki)(60分) -大規模WEB行動マイニング(仮) (講師:@karubi) (60分) -WEB APIと画像分類最適化(仮) (講師:@yokkuns) (60分) -※追加募集中 定員:20名 アナウンス Google Group: http://groups.google.com/group/webmining-tokyo Twitter : http://twitter.com/hamadakoichi 77
  • 79. 推薦文献リンク Rによるデータサイエンス ~データ解析の基礎から最新手法まで ~ Rによる時系列分析入門
  • 81. AGENDA ◆自己紹介 ◆時系列分析とは ◆データ操作 ◆モデル ◆ARモデル ◆ARMA/ARIMAモデル ◆ARFIMAモデル ◆ARCHモデル ◆最後に 81
  • 82. 目的: データマイニング+WEB勉強会@東京 データマイニングの方法論を用い 蓄積されたデータを有効活用していく方法を学ぶ 統計解析 Web API データマイニング Amazon Web Service 楽天 Web Service 対応分析 時系列分析 Twitter API Recruit Web Service 回帰分析 Yahoo! Web Service クラスター分析 はてな Web Service 判別分析 主成分分析 因子分析 (Bookmark/Graph/Keyword,…) カーネル法 Google Data API 樹木モデル (Calendar/Maps/BookSearch/ FinancePortfolioData,…) ニューラルネットワーク サポートベクターマシン … 免疫型最適化 Particle Swam … Memetic Ant Colony 遺伝的 熱力学的 シミュレーテドアニーリング 力学モデルによる最適化 タブーサーチ グラフ … 最適解探索 アルゴリズム 82