ベイズ統計学の基礎とデータ分析・予測への応用【提携セミナー】

ベイズ最適化_材料開発とプロセス設計セミナー

ベイズ統計学の基礎とデータ分析・予測への応用【提携セミナー】

開催日時 未定
担当講師

田中 冬彦 氏

開催場所 未定
定員 未定
受講費 未定

ベイズ統計の基本的な考え方を様々な職種・業務の方が理解しやすいように

シンプルな活用例を示すとともに、最近話題のベイズ分析ツールRStanを使った

ベイズ統計によるデータ分析の実践例をご説明します!

 

ベイズ統計学の基礎とデータ分析・予測への応用

 

【提携セミナー】

主催:株式会社R&D支援センター

 


 

◆セミナー趣旨

今や世界の最も貴重な資源は石油ではなくデータであるといわれています。IoTやスマートデバイスの進展により様々な機器から得られる多種多様なビッグデータ。これらの分析と利活用が既に多くの分野で重要な課題になっており、そのための方法論としてベイズ統計や機械学習が注目を集めています。

 

ベイズ統計は条件付き確率に基いて推測するという一貫した考え方ですので、基本的な考え方が理解できれば様々な場面に応用できます。

 

そこで、本セミナーではベイズ統計の基本的な考え方を多くの例で学んでいきます。特に、様々な職種・業務の方が理解しやすいようにシンプルな活用例をとりあげます。

 

セミナーの前半ではスライドによる説明に加えて、手を動かす簡単な計算や、Rのサンプルプログラムのデモ (ソースは受講者に配布)もさしはさみます。効率よく理解を深めていきましょう。

 

後半では、最近話題のベイズ分析ツールRStanと、その基礎となるアルゴリズム(マルコフ連鎖モンテカルロ法)も説明しRStanを使ったベイズ統計によるデータ分析の実践例を示します(ソースは受講者に配布)。

 

◆習得できる知識

  • 従来の統計手法との違いを理解し、ベイズ統計による分析が必要かどうか判断できる
  • データ分析において、ベイズモデリングや予測分布の手法を取り入れることができる
  • データが手に入る状況で、ベイズ統計に基づいた意思決定を取り入れることができる
  • ベイズ統計を応用する場面で、プログラミング言語を用いてマルコフ連鎖モンテカルロ法を実装もしくはツールで実行できる

 

◆受講対象

  • ベイズ統計の基本について効率よく学びたい研究者、実務の方(業種や職種は問いません)
  • ベイズ統計に基いたデータ分析や活用方法に興味がある研究者、実務の方(業種や職種は問いません)
  • 各種ソフトやツールを利用してベイズ分析を行っており基本的な部分をしっかりと理解したい方

 

◆必要な前提知識

  • 大学などで統計を一通り習っていることが望ましい(セミナーの最初に説明します)
  • 大学初年度程度の数学知識(期待値や分散の計算に必要なレベルの微積分)
    ※簡単なプログラミング経験(言語不問)とPC操作ができれば、配布するR、RStanコードの実行を通じて、さらに理解が深まるでしょう

 

◆キーワード

ベイズ統計,分析,機械学習,モデリング,推測,データ,RStan,セミナー,講演,研修

 

担当講師

大阪大学 全学教育推進機構 教授 博士(情報理工)
田中 冬彦 氏

 

【ご専門】
統計理論、特にベイズ統計学

 

【ご経歴等】
2007年3月 東京大学大学院情報理工学系研究科 博士取得
2007年4月~2009年3月 東京大学大学院 情報理工学系研究科 助教
2009年4月~2011年3月 (独)科学技術振興機構 さきがけ専任研究者
2011年4月~2013年9月 東京大学大学院 情報理工学系研究科 助教
2013年10月~2022年3月 大阪大学大学院 基礎工学研究科 准教授

 

現在、大阪大学にて
「統計モデリング」「統計学C-II(工学部1年次)」「データ科学による課題解決入門」を講義

 

セミナープログラム(予定)

1. イントロダクション:ベイズ統計でなにができるようになるか
1-1.  原発でのポンプ故障率の分析例 (階層ベイズモデル)

 

2. 条件付き確率とベイズの定理
2-1. 確率分布と期待値、分散
2-2. 条件付き確率、独立性
2-3. 条件付き確率を活用する
(1) 確率と条件付き確率の違い
(2) モンティ・ホール問題
2-4. ベイズの定理とその応用
(1) ベイズの定理と分解公式
(2) 応用上の意味
(3) がん診断
(4) ベイズの定理を用いた計算例
2-5. 機械学習への応用
(1) 迷惑メールフィルタ
(2) 迷惑メールの確率
(3) 迷惑メールフィルタの仕組み
(4) 機械学習の考え方

 

3. ベイズ統計入門
3-1. 統計モデル
(1) 推測統計でのデータの解釈
(2) 母集団と統計モデル
(3) モデルの明示
(4) 基本的な分析の流れ
3-2. 事前分布の導入
(1) パラメータの不確実性の表現
(2) データから計算したい条件付き確率
(3) 事前分布の導入
3-3. 事後分布
(1) 事後分布の定義
(2) ベイズ分析の主要な部分

 

4. 事後分布に基いた統計推測
4-1. 事前分布の設定の仕方
4-2. 共役事前分布
(1) 共役事前分布
(2) 二項分布+ベータ分布
(3) ポアソン分布+ガンマ分布
(4) 正規分布+正規分布
4-3. 事後分布に基いたパラメータ推定
(1) ベイズ分析の報告の基本
(2) 点推定
(3) 信用区間

 

5. ベイズモデリングと予測分布
5-1. 広告効果を確率で評価する
(1) 問題設定
(2) 統計モデルの設定
(3) 事前分布の設定
(4) 分析結果
5-2. 新規店舗の売上を分布で予測する
(1) 問題設定と統計モデル
(2) 予測分布
(3) 分析結果
5-3. 期待損失最小化で中古PCの追加購入台数を決める
(1) 問題設定
(2) 損失関数
(3) 決定関数
(4) 分析結果

 

6. コンピュータ(計算機)を用いたベイズ分析の実践
~各モデリング手法及びRStanによる実行・評価~

6-1. ベイズ分析ツールRStanについて
(1) ベイズ分析ツールの仕組み
(2) Stanの概要
(3) RStanの使い方
6-2. モンテカルロ法
(1) ベイズ分析に必要な計算
(2) モンテカルロサンプリング
(3) モンテカルロ積分
(4) IIDサンプル(理想的なモンテカルロサンプル)
6-3. マルコフ連鎖と定常分布
(1) マルコフ連鎖
(2) 1次元山登りウオーク
(3) 定常分布
6-4. マルコフ連鎖モンテカルロ法(MCMC法)
(1) メトロポリス・ヘイスティングス法(MH法)のアルゴリズム
(2) MH法の実装例とMCMCサンプル
(3) ギブス・サンプリングの概要
(4) ギブス・サンプリングのアルゴリズム
6-5. 階層ベイズモデルとその分析例
(1) 問題設定
(2) 統計モデルの設定
(3) 事前分布の設定
(4) 分析結果
6-6. 一般化線形モデルとその分析例
(1) 問題設定
(2) 統計モデルの設定
(3) 事前分布の設定
(4) 分析結果
6-7. 状態空間モデルとその分析例
(1) 問題設定
(2) 統計モデルの設定
(3) 事前分布の設定
(4) 分析結果

 

【質疑応答】

 

公開セミナーの次回開催予定

開催日

未定

 

 

開催場所

未定

 

 

受講料

未定

 

 

※セミナー主催者の会員登録をご希望の方は、申込みフォームのメッセージ本文欄に「R&D支援センター会員登録希望」と記載してください。ご登録いただくと、今回のお申込みから会員受講料が適用されます。

 

※R&D支援センターの会員登録とは?
ご登録いただきますと、セミナーや書籍などの商品をご案内させていただきます。
すべて無料で年会費・更新料・登録費は一切かかりません。

 

LIVE配信のご案内

こちらをご参照ください

 

備考

  • セミナー資料は開催前日までにお送りいたします。
    無断転載、二次利用や講義の録音、録画などの行為を固く禁じます。

 

お申し込み方法

★下のセミナー参加申込ボタンより、必要事項をご記入の上お申し込みください。

★【LIVE配信】、【アーカイブ配信】のどちらかご希望される受講形態をメッセージ欄に明記してください。

 

おすすめのセミナー情報

製造業eラーニングTech e-L講座リスト

製造業向けeラーニングライブラリ

アイアール技術者教育研究所の講師紹介

製造業の新入社員教育サービス

技術者育成プログラム策定の無料相談受付中

スモールステップ・スパイラル型の技術者教育

技術の超キホン

機械設計マスターへの道

生産技術のツボ

早わかり電気回路・電子回路

早わかり電気回路・電子回路

品質保証塾

機械製図道場

スぺシャルコンテンツ
Special Contents

導入・活用事例

テキスト/教材の制作・販売