本講座の学習内容 ・消費者がどのように価格を認識し、購買意思決定にどのように影響するかを学べます ・行動経済学におけるプロスペクト理論、特に参照価格の理論と消費者行動への応用が学べます ・MCMCを活用した、行動経済学の理論を実データに応用する方法を学べます ・自分の手で参照価格の形成を含む離散選択モデルを実装することで、モデルへの理解をより深めることができます
好評を博した弊社Qiita記事「MCMCをフルスクラッチで実装するトレーニング方」に関連して、マルコフ連鎖モンテカルロ法(MCMC)をゼロから自力で実装するために必要な事項を取り上げ講義およびRによる演習を行います。
本講義では階層ベイズモデルの構築と高速な数値計算の両方に焦点を当て、モデリングに必要な様々なコンポネントの紹介と確率的プログラミング言語NumPyroによる実装方法について解説を行い、大規模データに対しても階層モデルに基づいたベイズ分析を効果的に行えるようになることを目指します。
セミナー概要
【若手マーケター必見】 今よりも効果的に売るためのマーケティング分析に必要なPythonの知識・スキルを演習を通して確実に身につけるためのオンラインセミナー
本講座では『標準 ベイズ統計学』1章で紹介されている内容に加え、ワークショップ形式で実際の例題・演習を交えながらベイズ統計学の導入を学びます。
本講座では『標準 ベイズ統計学』2, 3章で紹介されている内容に加え、ワークショップ形式で実際の例題・演習を考えながらベイズ統計で用いる数学的な概念について学びます。
本講座では『標準 ベイズ統計学』2章、3章で紹介されている内容に加え、ワークショップ形式で実際の例題・演習を交えながら、モンテカルロ近似の考え方とその方法を説明します。
講師:入江薫(東京大学経済学部 准教授) 『標準 ベイズ統計学』5, 6章の内容に加え、例題・演習を交えながらベイズ分析に必要な正規分布の性質を学びます。
ギブス・サンプラーの性質と使用上の注意点について解説したのち、多変量データをモデル化する際に最もよく用いられる多変量正規分布のベイズ分析を扱います。(『標準 ベイズ統計学』第6, 7章相当)
ギブス・サンプラーを用いた事後分布の導出や結果の解釈、階層モデルの利点について解説します。(『標準 ベイズ統計学』第8, 9章相当)
『標準 ベイズ統計学』10章の内容に加え、例題・演習を交えながら非共役事前分布とメトロポリス・ヘイスティング法を解説していただきます。
『標準 ベイズ統計学』9章 + 11章前半の内容に加え、例題・演習を交えながら線形回帰のベイズ分析について解説いたします。
『標準 ベイズ統計学』11章後半 + 12章の内容に加え、例題・演習を交えながら副読本で扱われていない最近の事項、特にロジット回帰や負の二項回帰のベイズ分析や、混合データの分析についても手短にも解説していただきます。
セミナー概要
ノンパラメトリック回帰モデルの統計分析に利用される 1. 局所定数回帰 2. 局所線形回帰 3. 局所多項式回帰 に関して、理論的な背景について解説し、Rを用いたデータ分析を行います。
本講座では、東京大学 栗栖先生に登壇いただき、ノンパラメトリック統計の基礎を数値実験・実データ分析を通して解説します。
\ビジネスにおける時系列分析の最新手法の理解を深め、実務に活かしたい方・確実にスキルアップしたい方必見/ 本講座では、Prophetに加えディープラーニングといった追加的な構成要素が取り込まれているNeuralProphetについて取り上げます。本講座は、手法の理解と応用方法を中心に解説する、ビジネス時系列分析のための3時間のセミナーとなります。
本講義では、ベイズモデル選択の基礎的事項(モデル事後確率・ベイズファクター)の説明をしたのち、具体的なモデル比較の方法と複数のモデルの不確実性を考慮したベイジアンモデルアベレージングの考え方について簡単な例を通して解説する。 ベイズ検定もモデル選択の特殊ケースであるが、ベイズ検定(とp-値との関係)についてもその注意点とともに述べる。 ベイズモデル選択において重要な周辺尤度の計算について、代表的な数値計算手法を紹介しRを用いた実装方法について扱う予定である。
本セミナーでは、各ステップに関して中心となる理論や考え方を紹介し、 それらに基づいて実践的な分析の演習を行うことでベイズデータ分析のワークフローの学習をします。
\最先端のデータ分析技術に関心を持つ方におすすめの講座です/ 本セミナーでは、大規模な深層学習モデルの効率的な推論計算を行うために必須の技術となっている変分推論法などの近似計算手法や、代表的な深層生成モデルの基礎、ガウス過程を始めとしたベイジアンノンパラメトリクスの手法と深層学習の理論的関係性といった発展的な話題に関して解説をします。
本セミナーでは、ベイズ統計学を意思決定理論の基礎から実データへの応用までを一貫した観点から解説する。
ベイズ統計学の導入から基礎を一気通貫で学び、発展と実践までの実力を確実に身につけます
ベイズ統計学の導入から基礎、発展と実践までを学習するのに役立つ参考資料です。
\初歩的な時系列モデルから出発し、ベクトル自己回帰(VAR)モデルと正則化について学びます/ 本講義では、初歩的な時系列モデルから出発し、ベクトル自己回帰(VAR)モデルと正則化について学びます。 最終的には、高次元経済データを用いた時系列予測を行うことが目的です。
本セミナーでは、金融時系列データのボラティリティモデリングと予測に焦点を当て、ボラティリティ、VaR、ESを計算する方法を学びます。具体的には、確率的ボラティリティ変動(SV)モデル、非対称SVモデル、および高頻度データから計算される実現ボラティリティ(RV)を用いたモデルなど、基本的なモデルから最新の研究で用いられている手法まで幅広く解説します。
本セミナーでは、データ縮約の方法として、主成分分析、因子分析、多次元尺度構成法の3つの手法を学び、マーケティングの様々な場面で活用するための応用方法を紹介します。
本セミナーでは、標準的なベイズ統計学の枠組みを簡単に復習したのち、データとパラメータの関係を(確率モデルあるいは尤度関数ではなく)損失関数の形で表すことで、モデルフリーなベイズ推測を行うことが可能な一般化ベイズ法の考え方を解説する。
一般化線形モデルと線形混合モデルを用いて、マーケティング上の様々な課題に対するデータ解析の手法をハンズオン形式で学びます。
テンプル大学 マクリン謙一郎先生による統計的仮説検定を徹底解説したセミナーです。
本セミナーでは最新の論文で用いられているアプローチのひとつを取り上げ、そこで用いられている統計モデルおよび統計的計算について解説します。 本セミナーは単体で完結する内容となっておりますが先日開催いたしました「状態空間モデル入門」を受講いただいた方にもおすすめの講座となっております。
本セミナーでは、小地域推定で用いられる統計手法の理論を概説します。 小地域ごとの所得の指標(平均所得や貧困率など)の推定や、小地域ごとの疾病リスクの推定などの応用事例を紹介し、Rでの実践例をデモンストレーションします。
小林 弦矢 明治大学 教授
菅澤 翔之助 慶應義塾大学 准教授
菅澤 翔之助 慶應義塾大学 准教授
広告効果におけるデータ分析セミナーの全3回がセットになっています。
本セミナーでは、AICおよびBIC(Bayesian information criterion)という2つの代表的な情報量規準の考え方とそれらの性質を詳細に解説し、演習を通してより良いモデル選択・変数選択のための知識を修得することを目標とします。
セミナー概要
本講義では、『最適輸送の理論とアルゴリズム(機械学習プロフェッショナルシリーズ)』に関連して、最適輸送とは何者で、何ができるのかについて、直観的に理解するための講義を行います。 最適輸送の数理的な詳細には立ち入らず、最適輸送の概要と活用シーンを最速で掴むことを目標とします。 本セミナーは、講談社 刊行『最適輸送の理論とアルゴリズム』に沿ったセミナーです。 書籍は本講座の教科書として推奨しております。
森川 耕輔 アイオワ州立大学 助教授
セミナー概要
本セミナーでは、好評を博した弊社Qiita記事「情報のプール」の観点で捉える階層モデル(https://qiita.com/ssugasawa/items/afb3bd8179c0306935b7)に関連して混合効果モデルについて徹底的に解説し、演習を通して実際の使い方や使用イメージを学ぶことができます。
本セミナーでは金融時系列データの分析を念頭に、状態空間モデルについて講義いたします。
本セミナーでは、確率推論の考え方を用いた機械学習の基礎を解説し、近年ベイズ統計の応用の場で重要なツールとなっているMCMCのアルゴリズムや代表的な確率モデルを紹介します。
本セミナーでは、回帰非連続デザインの理論を解説し、実際に実証分析を行うときの注意点を紹介します。また、演習として、Rを用いた社会科学における実データ分析を行います。
研究者陣が監修した豊富な動画講義と演習問題で 最短での知識取得・統計検定®︎2級の合格を目指す
本セミナーでは、顧客セグメンテーションのための教師なし学習の手法として、階層クラスタリング、k平均法、ガウス混合モデルによるモデルベースクラスタリングの手法を、定期購買契約有無の予測のための教師あり学習の手法としてランダムフォレストを紹介します。
より高い顧客満足に繋がる製品・サービスの提供を行うために、顧客の満足に影響を与える要因を統計学的に明らかにする方法をハンズオン形式で学びます。