Submit Search
Upload
Windowsにpython版prophetを入れようとしてハマった話とちょっとした事例紹介
•
Download as PPTX, PDF
•
0 likes
•
1,464 views
Teruhi Goto
Follow
Tableau Developers Club #2にて、Windowsにpython版prophetを入れようとしてハマった話とちょっとした事例紹介のLTをした時の発表スライド。
Read less
Read more
Data & Analytics
Report
Share
Report
Share
1 of 27
Download now
Recommended
第63回R勉強会@東京(#TokyoR)LT 資料 https://atnd.org/events/89482
Prophet入門【理論編】Facebookの時系列予測ツール
Prophet入門【理論編】Facebookの時系列予測ツール
hoxo_m
データ解析・機械学習セミナー 【found IT project #7】発表資料 http://foundit.tokyo/seminar/20170525_03 https://foundit-project.connpass.com/event/56033/
Prophet入門【Python編】Facebookの時系列予測ツール
Prophet入門【Python編】Facebookの時系列予測ツール
hoxo_m
第63回R勉強会@東京(#TokyoR)発表資料 https://atnd.org/events/89482
Prophet入門【R編】Facebookの時系列予測ツール
Prophet入門【R編】Facebookの時系列予測ツール
hoxo_m
Rにおける大規模データ解析(第10回TokyoWebMining)
Rにおける大規模データ解析(第10回TokyoWebMining)
Shintaro Fukushima
第5回R勉強会@東京(10/5/22)の講師資料です。「R言語による アソシエーション分析-組合せ・事象の規則を解明する-」。 hamadakoichi, 濱田晃一
R言語による アソシエーション分析-組合せ・事象の規則を解明する-(第5回R勉強会@東京)
R言語による アソシエーション分析-組合せ・事象の規則を解明する-(第5回R勉強会@東京)
Koichi Hamada
5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet
Nagi Teramo
有名な1983年のRubin&Rosenbaumの論文をナナメ読みしていきます
Rubinの論文(の行間)を読んでみる-傾向スコアの理論-
Rubinの論文(の行間)を読んでみる-傾向スコアの理論-
Koichiro Gibo
2017/12/11 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Deep Learning 第15章 表現学習
[DL輪読会]Deep Learning 第15章 表現学習
Deep Learning JP
Recommended
第63回R勉強会@東京(#TokyoR)LT 資料 https://atnd.org/events/89482
Prophet入門【理論編】Facebookの時系列予測ツール
Prophet入門【理論編】Facebookの時系列予測ツール
hoxo_m
データ解析・機械学習セミナー 【found IT project #7】発表資料 http://foundit.tokyo/seminar/20170525_03 https://foundit-project.connpass.com/event/56033/
Prophet入門【Python編】Facebookの時系列予測ツール
Prophet入門【Python編】Facebookの時系列予測ツール
hoxo_m
第63回R勉強会@東京(#TokyoR)発表資料 https://atnd.org/events/89482
Prophet入門【R編】Facebookの時系列予測ツール
Prophet入門【R編】Facebookの時系列予測ツール
hoxo_m
Rにおける大規模データ解析(第10回TokyoWebMining)
Rにおける大規模データ解析(第10回TokyoWebMining)
Shintaro Fukushima
第5回R勉強会@東京(10/5/22)の講師資料です。「R言語による アソシエーション分析-組合せ・事象の規則を解明する-」。 hamadakoichi, 濱田晃一
R言語による アソシエーション分析-組合せ・事象の規則を解明する-(第5回R勉強会@東京)
R言語による アソシエーション分析-組合せ・事象の規則を解明する-(第5回R勉強会@東京)
Koichi Hamada
5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet
Nagi Teramo
有名な1983年のRubin&Rosenbaumの論文をナナメ読みしていきます
Rubinの論文(の行間)を読んでみる-傾向スコアの理論-
Rubinの論文(の行間)を読んでみる-傾向スコアの理論-
Koichiro Gibo
2017/12/11 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Deep Learning 第15章 表現学習
[DL輪読会]Deep Learning 第15章 表現学習
Deep Learning JP
第28回言語処理学会年次大会での発表スライド
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
Sho Takase
Rの高速化
Rの高速化
弘毅 露崎
2019/02/01 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Meta Reinforcement Learning
[DL輪読会]Meta Reinforcement Learning
Deep Learning JP
ICLR 2019でBest Paper Awardを受賞したThe Lottery Ticket Hypothesis(宝くじ仮説、宝くじ券仮説)について紹介しています。 TensorFlow User Group「NN論文を肴に酒を飲む会 #6」発表資料。 Speaker Deck版: https://speakerdeck.com/shinya7y/lottery-ticket-hypothesis
【宝くじ仮説】The Lottery Ticket Hypothesis: Finding Small, Trainable Neural Networks
【宝くじ仮説】The Lottery Ticket Hypothesis: Finding Small, Trainable Neural Networks
Yosuke Shinya
2019年SigFin研究会優秀賞論文賞受賞
金融時系列のための深層t過程回帰モデル
金融時系列のための深層t過程回帰モデル
Kei Nakagawa
ブースティングはアンサンブル学習の一つです。アンサンブル学習では、性能の低い学習器を組み合わせて、高性能な学習器を作ります。教師あり機械学習の問題設定の復習から始めて、バギングやブースティングのアルゴリズムについて解説します。 レトリバセミナーで話したときの動画はこちらです: https://www.youtube.com/watch?v=SJtdG62691g
ブースティング入門
ブースティング入門
Retrieva inc.
第33回R勉強会@東京(#TokyoR)の発表内容です。 http://atnd.org/events/42438 当日見ながら実行できるように先行公開します。
Rで計量時系列分析~CRANパッケージ総ざらい~
Rで計量時系列分析~CRANパッケージ総ざらい~
Takashi J OZAKI
4/12(金)に開催されたTableauデータサイエンス勉強会の資料です。 三田さんパート
Tableauから始める統計学の基礎
Tableauから始める統計学の基礎
Hiroshi Masuda
この資料は 2019 年 10 月 30 日に開催された GPU Deep Learning Community #12 にて、NVIDIAの山崎和博が発表した際のものです。
TensorRT Inference Serverではじめる、 高性能な推論サーバ構築
TensorRT Inference Serverではじめる、 高性能な推論サーバ構築
NVIDIA Japan
因果フェス2015(8月6日・駒場)での発表資料です。
Granger因果による時系列データの因果推定(因果フェス2015)
Granger因果による時系列データの因果推定(因果フェス2015)
Takashi J OZAKI
最近のGNNの隣接ノード情報の集約方法や一層パーセプトロンによる積層の限界を指摘した論文.
【論文紹介】How Powerful are Graph Neural Networks?
【論文紹介】How Powerful are Graph Neural Networks?
Masanao Ochi
Lassoをはじめとするスパース推定について、統計学が専門でない方にも分かるよう入門的な資料を作成してみました。
スパース推定法による統計モデリング(入門)
スパース推定法による統計モデリング(入門)
Hidetoshi Matsui
大学3年生でこれから大学院に行ったり、就職したりする僕が知っていたら、人生が変わったかもなと思うことを、つらつらと書きました。
大学3年生の僕に伝えたいことをつらつらと
大学3年生の僕に伝えたいことをつらつらと
Toshinori Sato
ベイズ最適化の説明資料
ベイズ最適化
ベイズ最適化
MatsuiRyo
最適化といっても基本的には数理最適と組合せ最適があり、業務を最小・最大問題に落とし込む組合せ最適を解くか、深層学習のような機械学習モデルに落とし込んでベイズ最適をかけるのが一般的になってきている。組合せ最適では有名なアルゴリズムが3種あり、用途に合わせて使い分ける。最適化ツールは有料のものが早いが最近はフリーのオープンソースでも高速で使いやすいものが出始めている。
最適化計算の概要まとめ
最適化計算の概要まとめ
Yuichiro MInato
九州大学マスインフォマティクスでの講演
連続変量を含む条件付相互情報量の推定
連続変量を含む条件付相互情報量の推定
Joe Suzuki
グラフィカルモデル輪読会での発表資料です。 http://wbawakate.connpass.com/event/31613/
Probabilistic Graphical Models 輪読会 #1
Probabilistic Graphical Models 輪読会 #1
Takuma Yagi
統計検定などで紹介されている確率分布同士の関係を紹介しました。
色々な確率分布とその応用
色々な確率分布とその応用
Hiroki Iida
1, 2, 6章
『データ解析におけるプライバシー保護』勉強会
『データ解析におけるプライバシー保護』勉強会
MITSUNARI Shigeo
そういえば、打ち切りについて記載するの忘れていた..
生存時間分析数理の基礎
生存時間分析数理の基礎
Koichiro Gibo
2018/12/6にTableau Developers Clubで岩橋さんよりご説明いただいた内容 資料転用、引用の際には tiwahashi@tableau.com までご連絡ください。 1 Tabpyにおけるpythonコーディング内容についてはTableau テクニカルサポートの範囲外となります。ご質問はTableau Communityをご利用ください。
Tableau Developers Club 外部サービス連携#1 Tabpy触ってみよう#1
Tableau Developers Club 外部サービス連携#1 Tabpy触ってみよう#1
Hiroshi Masuda
第1回 Hubot×ChatOps勉強会で発表した資料です。 Cloudn PaaSチームで実践しているChatOps,そしてIRC Botについて紹介します
Cloudn PaaSチームのChatOps実践
Cloudn PaaSチームのChatOps実践
Kazuto Kusama
More Related Content
What's hot
第28回言語処理学会年次大会での発表スライド
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
Sho Takase
Rの高速化
Rの高速化
弘毅 露崎
2019/02/01 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Meta Reinforcement Learning
[DL輪読会]Meta Reinforcement Learning
Deep Learning JP
ICLR 2019でBest Paper Awardを受賞したThe Lottery Ticket Hypothesis(宝くじ仮説、宝くじ券仮説)について紹介しています。 TensorFlow User Group「NN論文を肴に酒を飲む会 #6」発表資料。 Speaker Deck版: https://speakerdeck.com/shinya7y/lottery-ticket-hypothesis
【宝くじ仮説】The Lottery Ticket Hypothesis: Finding Small, Trainable Neural Networks
【宝くじ仮説】The Lottery Ticket Hypothesis: Finding Small, Trainable Neural Networks
Yosuke Shinya
2019年SigFin研究会優秀賞論文賞受賞
金融時系列のための深層t過程回帰モデル
金融時系列のための深層t過程回帰モデル
Kei Nakagawa
ブースティングはアンサンブル学習の一つです。アンサンブル学習では、性能の低い学習器を組み合わせて、高性能な学習器を作ります。教師あり機械学習の問題設定の復習から始めて、バギングやブースティングのアルゴリズムについて解説します。 レトリバセミナーで話したときの動画はこちらです: https://www.youtube.com/watch?v=SJtdG62691g
ブースティング入門
ブースティング入門
Retrieva inc.
第33回R勉強会@東京(#TokyoR)の発表内容です。 http://atnd.org/events/42438 当日見ながら実行できるように先行公開します。
Rで計量時系列分析~CRANパッケージ総ざらい~
Rで計量時系列分析~CRANパッケージ総ざらい~
Takashi J OZAKI
4/12(金)に開催されたTableauデータサイエンス勉強会の資料です。 三田さんパート
Tableauから始める統計学の基礎
Tableauから始める統計学の基礎
Hiroshi Masuda
この資料は 2019 年 10 月 30 日に開催された GPU Deep Learning Community #12 にて、NVIDIAの山崎和博が発表した際のものです。
TensorRT Inference Serverではじめる、 高性能な推論サーバ構築
TensorRT Inference Serverではじめる、 高性能な推論サーバ構築
NVIDIA Japan
因果フェス2015(8月6日・駒場)での発表資料です。
Granger因果による時系列データの因果推定(因果フェス2015)
Granger因果による時系列データの因果推定(因果フェス2015)
Takashi J OZAKI
最近のGNNの隣接ノード情報の集約方法や一層パーセプトロンによる積層の限界を指摘した論文.
【論文紹介】How Powerful are Graph Neural Networks?
【論文紹介】How Powerful are Graph Neural Networks?
Masanao Ochi
Lassoをはじめとするスパース推定について、統計学が専門でない方にも分かるよう入門的な資料を作成してみました。
スパース推定法による統計モデリング(入門)
スパース推定法による統計モデリング(入門)
Hidetoshi Matsui
大学3年生でこれから大学院に行ったり、就職したりする僕が知っていたら、人生が変わったかもなと思うことを、つらつらと書きました。
大学3年生の僕に伝えたいことをつらつらと
大学3年生の僕に伝えたいことをつらつらと
Toshinori Sato
ベイズ最適化の説明資料
ベイズ最適化
ベイズ最適化
MatsuiRyo
最適化といっても基本的には数理最適と組合せ最適があり、業務を最小・最大問題に落とし込む組合せ最適を解くか、深層学習のような機械学習モデルに落とし込んでベイズ最適をかけるのが一般的になってきている。組合せ最適では有名なアルゴリズムが3種あり、用途に合わせて使い分ける。最適化ツールは有料のものが早いが最近はフリーのオープンソースでも高速で使いやすいものが出始めている。
最適化計算の概要まとめ
最適化計算の概要まとめ
Yuichiro MInato
九州大学マスインフォマティクスでの講演
連続変量を含む条件付相互情報量の推定
連続変量を含む条件付相互情報量の推定
Joe Suzuki
グラフィカルモデル輪読会での発表資料です。 http://wbawakate.connpass.com/event/31613/
Probabilistic Graphical Models 輪読会 #1
Probabilistic Graphical Models 輪読会 #1
Takuma Yagi
統計検定などで紹介されている確率分布同士の関係を紹介しました。
色々な確率分布とその応用
色々な確率分布とその応用
Hiroki Iida
1, 2, 6章
『データ解析におけるプライバシー保護』勉強会
『データ解析におけるプライバシー保護』勉強会
MITSUNARI Shigeo
そういえば、打ち切りについて記載するの忘れていた..
生存時間分析数理の基礎
生存時間分析数理の基礎
Koichiro Gibo
What's hot
(20)
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
Rの高速化
Rの高速化
[DL輪読会]Meta Reinforcement Learning
[DL輪読会]Meta Reinforcement Learning
【宝くじ仮説】The Lottery Ticket Hypothesis: Finding Small, Trainable Neural Networks
【宝くじ仮説】The Lottery Ticket Hypothesis: Finding Small, Trainable Neural Networks
金融時系列のための深層t過程回帰モデル
金融時系列のための深層t過程回帰モデル
ブースティング入門
ブースティング入門
Rで計量時系列分析~CRANパッケージ総ざらい~
Rで計量時系列分析~CRANパッケージ総ざらい~
Tableauから始める統計学の基礎
Tableauから始める統計学の基礎
TensorRT Inference Serverではじめる、 高性能な推論サーバ構築
TensorRT Inference Serverではじめる、 高性能な推論サーバ構築
Granger因果による時系列データの因果推定(因果フェス2015)
Granger因果による時系列データの因果推定(因果フェス2015)
【論文紹介】How Powerful are Graph Neural Networks?
【論文紹介】How Powerful are Graph Neural Networks?
スパース推定法による統計モデリング(入門)
スパース推定法による統計モデリング(入門)
大学3年生の僕に伝えたいことをつらつらと
大学3年生の僕に伝えたいことをつらつらと
ベイズ最適化
ベイズ最適化
最適化計算の概要まとめ
最適化計算の概要まとめ
連続変量を含む条件付相互情報量の推定
連続変量を含む条件付相互情報量の推定
Probabilistic Graphical Models 輪読会 #1
Probabilistic Graphical Models 輪読会 #1
色々な確率分布とその応用
色々な確率分布とその応用
『データ解析におけるプライバシー保護』勉強会
『データ解析におけるプライバシー保護』勉強会
生存時間分析数理の基礎
生存時間分析数理の基礎
Similar to Windowsにpython版prophetを入れようとしてハマった話とちょっとした事例紹介
2018/12/6にTableau Developers Clubで岩橋さんよりご説明いただいた内容 資料転用、引用の際には tiwahashi@tableau.com までご連絡ください。 1 Tabpyにおけるpythonコーディング内容についてはTableau テクニカルサポートの範囲外となります。ご質問はTableau Communityをご利用ください。
Tableau Developers Club 外部サービス連携#1 Tabpy触ってみよう#1
Tableau Developers Club 外部サービス連携#1 Tabpy触ってみよう#1
Hiroshi Masuda
第1回 Hubot×ChatOps勉強会で発表した資料です。 Cloudn PaaSチームで実践しているChatOps,そしてIRC Botについて紹介します
Cloudn PaaSチームのChatOps実践
Cloudn PaaSチームのChatOps実践
Kazuto Kusama
Tableauデータサイエンス勉強会12月ライトニングでの柴田さんの発表資料です。代理投稿です。
Tableauデータサイエンス勉強会12月ライトニング_柴田さん
Tableauデータサイエンス勉強会12月ライトニング_柴田さん
Tomohiro Iwahashi
.NET Lab 2022年7月 .NET6新機能の振り返り
.NET6新機能の振り返り
.NET6新機能の振り返り
TomomitsuKusaba
Tableauが魅せる Data Visualization の世界
Tableauが魅せる Data Visualization の世界
Takahiro Inoue
視覚化サービス構築の際に気をつけること
視覚化サービス構築の際に気をつけること
視覚化サービス構築の際に気をつけること
Kazufumi Ohkawa
A presentation file of Python Lea
S02 t2 my_historyofpythonlearning
S02 t2 my_historyofpythonlearning
Takeshi Akutsu
kawasaki.rb #22 発表資料です
受託開発でAnsibleを導入した話
受託開発でAnsibleを導入した話
Yuto Matsukubo
PHP-BLT#2で発表したスライドです
今更Cake2.3でWebAPIを作った話
今更Cake2.3でWebAPIを作った話
rittyan
弊社メディアディベロプメント事業本部の 「広告の自動設定プロジェクト Genisys」にTableauを導入して感じたこと、利点・苦戦したことなどを紹介します。
GenisysでTableauを導入した話
GenisysでTableauを導入した話
Yuki Katada
2018/11/29 に JSUG の SpringOne Platform 2018 報告会で使用した資料です. (目次の2, 3が私の作成した範囲です.)
SpringOne Platform 2018 全体報告
SpringOne Platform 2018 全体報告
Takuya Iwatsuka
11月29日に開催されたJSUG勉強会の資料です。SpringOneの参加レポートですので、SpringOneに関心のある方は是非参考にしてください。
SpringOne Platform 2018 全体報告
SpringOne Platform 2018 全体報告
apkiban
2017/4/22 Japan Azure User Group (JAZUG) Global Azure Bootcamp 2017 @ Tokyo https://jazug.connpass.com/event/52917/
Azure 障害との上手な付き合い方
Azure 障害との上手な付き合い方
Yuto Takei
ハードウェアを触ったことのない Web エンジニアが Raspberry Pi Zero W で初めての開発を行った際の悲喜こもごもをお話をします。 先日行われたリタリコ社のワンダーメイクフェスにて、来場されたお子様たちにプロダクト開発の楽しさを体験してもらおうという目的で作った制作物のお話です。 Unity の 3D 空間上で走っている電車とプラレールの走行を同期させて一律でコントロールできるようにし、お子さんがその場で作った 3D オブジェクトを 3D 空間にリアルタイムに追加していけるプロダクトを目指して開発しました。 (お子様の体験としてはこちらのプロダクトと近いかもしれません: https://www.team-lab.com/sketchaquarium ) ワンダーメイクフェス: https://wonder.litalico.jp/event/fes/
初めての Raspberry pi 〜プラレールをunityの世界の中で走らせよう〜 (1)
初めての Raspberry pi 〜プラレールをunityの世界の中で走らせよう〜 (1)
dcubeio
DevOpsな現場で求められる「インフラがわかるデベロッパ」とは? http://atnd.org/events/31930
20120927 findjob4 dev_ops
20120927 findjob4 dev_ops
ume3_
Niigata5分Tech #1.pdf
実務でGo使い始めました
実務でGo使い始めました
Yuki Kikuchi
.NETラボ勉強会2022年8月 .NET 7期待の新機能
.NET 7期待の新機能
.NET 7期待の新機能
TomomitsuKusaba
第45回PHP勉強会資料
第45回PHP勉強会(里洋平)
第45回PHP勉強会(里洋平)
Yohei Sato
業務のためのPython勉強会#3:Talk 1 「私のPython学習奮闘記#3〜トラブルシューティング編〜」
S03 t1 python_learningdiary#3
S03 t1 python_learningdiary#3
Takeshi Akutsu
KLab TECH Meetup #3 インフラエンジニアのお仕事 ~ daemontools から systemdに乗り換えた話 ~
インフラエンジニアのお仕事 ~ daemontools から systemdに乗り換えた話 ~
インフラエンジニアのお仕事 ~ daemontools から systemdに乗り換えた話 ~
KLab Inc. / Tech
Similar to Windowsにpython版prophetを入れようとしてハマった話とちょっとした事例紹介
(20)
Tableau Developers Club 外部サービス連携#1 Tabpy触ってみよう#1
Tableau Developers Club 外部サービス連携#1 Tabpy触ってみよう#1
Cloudn PaaSチームのChatOps実践
Cloudn PaaSチームのChatOps実践
Tableauデータサイエンス勉強会12月ライトニング_柴田さん
Tableauデータサイエンス勉強会12月ライトニング_柴田さん
.NET6新機能の振り返り
.NET6新機能の振り返り
Tableauが魅せる Data Visualization の世界
Tableauが魅せる Data Visualization の世界
視覚化サービス構築の際に気をつけること
視覚化サービス構築の際に気をつけること
S02 t2 my_historyofpythonlearning
S02 t2 my_historyofpythonlearning
受託開発でAnsibleを導入した話
受託開発でAnsibleを導入した話
今更Cake2.3でWebAPIを作った話
今更Cake2.3でWebAPIを作った話
GenisysでTableauを導入した話
GenisysでTableauを導入した話
SpringOne Platform 2018 全体報告
SpringOne Platform 2018 全体報告
SpringOne Platform 2018 全体報告
SpringOne Platform 2018 全体報告
Azure 障害との上手な付き合い方
Azure 障害との上手な付き合い方
初めての Raspberry pi 〜プラレールをunityの世界の中で走らせよう〜 (1)
初めての Raspberry pi 〜プラレールをunityの世界の中で走らせよう〜 (1)
20120927 findjob4 dev_ops
20120927 findjob4 dev_ops
実務でGo使い始めました
実務でGo使い始めました
.NET 7期待の新機能
.NET 7期待の新機能
第45回PHP勉強会(里洋平)
第45回PHP勉強会(里洋平)
S03 t1 python_learningdiary#3
S03 t1 python_learningdiary#3
インフラエンジニアのお仕事 ~ daemontools から systemdに乗り換えた話 ~
インフラエンジニアのお仕事 ~ daemontools から systemdに乗り換えた話 ~
Windowsにpython版prophetを入れようとしてハマった話とちょっとした事例紹介
1.
Windowsに Python版 prophetを 入れようとしてハマった話 2019.02.21 Tableau Developers
Club Lightning Talk
2.
自己紹介 名前:五島 陽 所属:ドワンゴ 職種:データアナリスト 2 + データセット作成 可視化・レポート 細かい計算・予測 主な業務内容
3.
本日お話すること 1. Windowsへのprophetのインストールでハマった所 2. Prophetを実際に利用してみた結果の共用 ※Tableauとの連携のお話はできません。ご了承下さい。 3
4.
Tableauの 外部サービス接続で 何をしたかったのか 0.
5.
日次で時系列予測がしたい ▪ Tableauにも時系列予測機能はある ▪ 実は社内ではそこそこ活用されている ▪
月次は納得感があるが日次は難しそう ▪ Excelで頑張る ▪ 頑張った結果をTableauに取り込む 5
6.
日次で時系列予測がしたい ▪ Tableauにも時系列予測機能はある ▪ 実は社内ではそこそこ活用されている ▪
月次は納得感があるが日次は難しそう ▪ Excelで頑張る ▪ 頑張った結果をTableauに取り込む 6 全部Tableauで完結したい!
7.
そんなある日
8.
こちらのセミナーに参加 8
9.
古幡さんに紹介して貰う 9https://speakerdeck.com/gri/ke-shi-hua-nikakawaruxian-yi-fen-xi-guan-xiang-kesemina-zi-liao?slide=16
10.
Windowsへのprophetの インストールでハマった所 1.
11.
prophetを入れてみる ▪ インストールした環境 □ Windows7 □
Anaconda 1.9.2 or Anaconda 2018.12 11
12.
前準備 ▪ prophetを入れる前に以下をインストール □ C++
Compiler □ libpython □ mingw-w64 □ PyStan 12
13.
いざprophetインストール ▪ あえなく撃沈(※画像はイメージです) 13
14.
エラーメッセージで検索 ▪ 同じ所でハマってるっぽいスレッドを発見 14
15.
読み進めると作者登場 ▪ 既知の問題らしい。 15
16.
さらに読み進めると解決策 ▪ pystanを上記URLの指示通りにインストール ▪ prophetはパッケージをDLしてきてsetup.pyを実行
16
17.
言われたとおりに実行 17
18.
インストールできたっぽい! 18
19.
第一部 完
20.
Prophetを実際に 利用してみた結果の共用 2.
21.
実際に予測した結果(デフォルト) 21 ▪ 対象:とあるサービスのとあるキャンペーンでのCV数 ▪ 黒い点:実測値
/ 濃い青:予測値 ▪ おおよその傾向は捉えているが乖離が大きい所が目立つ
22.
周期性の確認 22 ▪ model.plot_components(forecast_data) ▪ 週:土日に増えて水曜に減る ▪
年:1月と12月がもっとも多く、4月と8月は増え、11月は減る
23.
周期性を踏まえちょっと調整 23 ▪ 周期性(Seasonality)を追加 □ yearly_seasonality=True/False □
weekly_seasonality=True/False □ ここでは両方Trueを採用 ▪ 祝日効果(Holiday Effects)を追加 □ こんなデータを自分で用意 □ 日本の祝日リストもビルトインされているがすべて網羅しているわけではないため holiday ds lower_window upper_window 年末年始 2016-1-1 -3 2 建国記念の日 2016-2-11 0 1 ▪ lower_window: 前の何日まで対象にするか ▪ upper_window: 後の何日まで対象にするか ▪ 上記の「年末年始」は2015-12-28~2016-1-3までが対象になる
24.
再度予測してみた結果 24 ▪ かなり良くなった気がする! ▪ 今後の改善点 □
外れ値を捉えやすくし、反映する
25.
第二部 完
26.
prophetのまとめ ▪ インストール □ PyStanを公式が提示する手順でインストール □
prophetは公式からパッケージをDLしてインストール ▪ 利用 □ チューニングはそこそこ必要 □ でもすんごい簡単・便利・有能 26
27.
Thanks! Any questions? You can
find me at ▪ @gossy ( Tableau Developers Club slack ) ▪ teruhigoto ( facebook ) 27
Download now