Enviar pesquisa
Carregar
時系列データ分析とPython
•
Transferir como PPTX, PDF
•
12 gostaram
•
19,047 visualizações
H
Hirofumi Tsuruta
Seguir
時系列データの分析をPythonでやってみた。
Leia menos
Leia mais
Dados e análise
Denunciar
Compartilhar
Denunciar
Compartilhar
1 de 20
Baixar agora
Recomendados
CVIM#11 3. 最小化のための数値計算
CVIM#11 3. 最小化のための数値計算
sleepy_yoshi
最適化超入門
最適化超入門
Takami Sato
SSII2018TS: 3D物体検出とロボットビジョンへの応用
SSII2018TS: 3D物体検出とロボットビジョンへの応用
SSII
三次元点群を取り扱うニューラルネットワークのサーベイ
三次元点群を取り扱うニューラルネットワークのサーベイ
Naoya Chiba
三次元表現まとめ(深層学習を中心に)
三次元表現まとめ(深層学習を中心に)
Tomohiro Motoda
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
CV分野におけるサーベイ方法
CV分野におけるサーベイ方法
Hirokatsu Kataoka
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
SSII
Recomendados
CVIM#11 3. 最小化のための数値計算
CVIM#11 3. 最小化のための数値計算
sleepy_yoshi
最適化超入門
最適化超入門
Takami Sato
SSII2018TS: 3D物体検出とロボットビジョンへの応用
SSII2018TS: 3D物体検出とロボットビジョンへの応用
SSII
三次元点群を取り扱うニューラルネットワークのサーベイ
三次元点群を取り扱うニューラルネットワークのサーベイ
Naoya Chiba
三次元表現まとめ(深層学習を中心に)
三次元表現まとめ(深層学習を中心に)
Tomohiro Motoda
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
CV分野におけるサーベイ方法
CV分野におけるサーベイ方法
Hirokatsu Kataoka
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
SSII
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けて
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けて
SSII
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
京都大学大学院情報学研究科数理工学専攻
深層生成モデルと世界モデル
深層生成モデルと世界モデル
Masahiro Suzuki
3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)
Toru Tamaki
SSII2019企画: 点群深層学習の研究動向
SSII2019企画: 点群深層学習の研究動向
SSII
深層学習の数理
深層学習の数理
Taiji Suzuki
Sliced Wasserstein Distance for Learning Gaussian Mixture Models
Sliced Wasserstein Distance for Learning Gaussian Mixture Models
Fujimoto Keisuke
点群深層学習 Meta-study
点群深層学習 Meta-study
Naoya Chiba
Rでisomap(多様体学習のはなし)
Rでisomap(多様体学習のはなし)
Kohta Ishikawa
研究発表のためのプレゼンテーション技術
研究発表のためのプレゼンテーション技術
Shinnosuke Takamichi
カルマンフィルタ入門
カルマンフィルタ入門
Yasunori Nihei
トップカンファレンスへの論文採択に向けて(AI研究分野版)/ Toward paper acceptance at top conferences (AI...
トップカンファレンスへの論文採択に向けて(AI研究分野版)/ Toward paper acceptance at top conferences (AI...
JunSuzuki21
線形計画法入門
線形計画法入門
Shunji Umetani
Fisher線形判別分析とFisher Weight Maps
Fisher線形判別分析とFisher Weight Maps
Takao Yamanaka
30th コンピュータビジョン勉強会@関東 DynamicFusion
30th コンピュータビジョン勉強会@関東 DynamicFusion
Hiroki Mizuno
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII
画像認識の初歩、SIFT,SURF特徴量
画像認識の初歩、SIFT,SURF特徴量
takaya imai
最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向
ohken
はじパタ8章 svm
はじパタ8章 svm
tetsuro ito
クラシックな機械学習の入門 9. モデル推定
クラシックな機械学習の入門 9. モデル推定
Hiroshi Nakagawa
データ解析のための統計モデリング入門4章
データ解析のための統計モデリング入門4章
Hirofumi Tsuruta
「予測にいかす統計モデリングの基本」勉強会 第一章
「予測にいかす統計モデリングの基本」勉強会 第一章
Takahiro Yoshinaga
Mais conteúdo relacionado
Mais procurados
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けて
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けて
SSII
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
京都大学大学院情報学研究科数理工学専攻
深層生成モデルと世界モデル
深層生成モデルと世界モデル
Masahiro Suzuki
3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)
Toru Tamaki
SSII2019企画: 点群深層学習の研究動向
SSII2019企画: 点群深層学習の研究動向
SSII
深層学習の数理
深層学習の数理
Taiji Suzuki
Sliced Wasserstein Distance for Learning Gaussian Mixture Models
Sliced Wasserstein Distance for Learning Gaussian Mixture Models
Fujimoto Keisuke
点群深層学習 Meta-study
点群深層学習 Meta-study
Naoya Chiba
Rでisomap(多様体学習のはなし)
Rでisomap(多様体学習のはなし)
Kohta Ishikawa
研究発表のためのプレゼンテーション技術
研究発表のためのプレゼンテーション技術
Shinnosuke Takamichi
カルマンフィルタ入門
カルマンフィルタ入門
Yasunori Nihei
トップカンファレンスへの論文採択に向けて(AI研究分野版)/ Toward paper acceptance at top conferences (AI...
トップカンファレンスへの論文採択に向けて(AI研究分野版)/ Toward paper acceptance at top conferences (AI...
JunSuzuki21
線形計画法入門
線形計画法入門
Shunji Umetani
Fisher線形判別分析とFisher Weight Maps
Fisher線形判別分析とFisher Weight Maps
Takao Yamanaka
30th コンピュータビジョン勉強会@関東 DynamicFusion
30th コンピュータビジョン勉強会@関東 DynamicFusion
Hiroki Mizuno
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII
画像認識の初歩、SIFT,SURF特徴量
画像認識の初歩、SIFT,SURF特徴量
takaya imai
最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向
ohken
はじパタ8章 svm
はじパタ8章 svm
tetsuro ito
クラシックな機械学習の入門 9. モデル推定
クラシックな機械学習の入門 9. モデル推定
Hiroshi Nakagawa
Mais procurados
(20)
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けて
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けて
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
深層生成モデルと世界モデル
深層生成モデルと世界モデル
3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)
SSII2019企画: 点群深層学習の研究動向
SSII2019企画: 点群深層学習の研究動向
深層学習の数理
深層学習の数理
Sliced Wasserstein Distance for Learning Gaussian Mixture Models
Sliced Wasserstein Distance for Learning Gaussian Mixture Models
点群深層学習 Meta-study
点群深層学習 Meta-study
Rでisomap(多様体学習のはなし)
Rでisomap(多様体学習のはなし)
研究発表のためのプレゼンテーション技術
研究発表のためのプレゼンテーション技術
カルマンフィルタ入門
カルマンフィルタ入門
トップカンファレンスへの論文採択に向けて(AI研究分野版)/ Toward paper acceptance at top conferences (AI...
トップカンファレンスへの論文採択に向けて(AI研究分野版)/ Toward paper acceptance at top conferences (AI...
線形計画法入門
線形計画法入門
Fisher線形判別分析とFisher Weight Maps
Fisher線形判別分析とFisher Weight Maps
30th コンピュータビジョン勉強会@関東 DynamicFusion
30th コンピュータビジョン勉強会@関東 DynamicFusion
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
画像認識の初歩、SIFT,SURF特徴量
画像認識の初歩、SIFT,SURF特徴量
最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向
はじパタ8章 svm
はじパタ8章 svm
クラシックな機械学習の入門 9. モデル推定
クラシックな機械学習の入門 9. モデル推定
Destaque
データ解析のための統計モデリング入門4章
データ解析のための統計モデリング入門4章
Hirofumi Tsuruta
「予測にいかす統計モデリングの基本」勉強会 第一章
「予測にいかす統計モデリングの基本」勉強会 第一章
Takahiro Yoshinaga
Kobe.R #18: 本の紹介: 通称「緑本」
Kobe.R #18: 本の紹介: 通称「緑本」
tnoda
Pythonで動かして学ぶ機械学習入門_予測モデルを作ってみよう
Pythonで動かして学ぶ機械学習入門_予測モデルを作ってみよう
洋資 堅田
みどりぼん読書会 第4章
みどりぼん読書会 第4章
Masanori Takano
1 6.変数選択とAIC
1 6.変数選択とAIC
logics-of-blue
SVM実践ガイド (A Practical Guide to Support Vector Classification)
SVM実践ガイド (A Practical Guide to Support Vector Classification)
sleepy_yoshi
10 facts about jobs in the future
10 facts about jobs in the future
Pew Research Center's Internet & American Life Project
Destaque
(8)
データ解析のための統計モデリング入門4章
データ解析のための統計モデリング入門4章
「予測にいかす統計モデリングの基本」勉強会 第一章
「予測にいかす統計モデリングの基本」勉強会 第一章
Kobe.R #18: 本の紹介: 通称「緑本」
Kobe.R #18: 本の紹介: 通称「緑本」
Pythonで動かして学ぶ機械学習入門_予測モデルを作ってみよう
Pythonで動かして学ぶ機械学習入門_予測モデルを作ってみよう
みどりぼん読書会 第4章
みどりぼん読書会 第4章
1 6.変数選択とAIC
1 6.変数選択とAIC
SVM実践ガイド (A Practical Guide to Support Vector Classification)
SVM実践ガイド (A Practical Guide to Support Vector Classification)
10 facts about jobs in the future
10 facts about jobs in the future
時系列データ分析とPython
1.
時系列データ分析 と Python
2.
目次 • 時系列データの特性 • Pythonによる時系列データの取り扱い •
Pythonで解析やってみた!(解析例)
3.
時系列データとは 時間の推移とともに観測されるデータのことで、 観測される順序に意味があることが大きな特徴 である。 <例> 経済・ファイナンシャルデータ(GDP・株価など) 気象データ(気温・湿度・雨量など) 医療データ(脳波・心電図など) アクセスログデータ etc. http://www.kabu-1.jp/beginner/shikumi/kabuka-chart/
4.
統計手法の多くは、データを「同一の確率分 布から得られた、互いに独立な標本の集まり」 と見なしています。 時系列データでは成り立たない!
5.
よく見かける光景 その1 ヒストグラム ヒストグラムでは標本抽出の順序を考慮していないため、 毎回の標本抽出は互いに独立であることを認めているこ とになる。 時間情報の消失
6.
よく見かける光景 その2 最尤推定 観測点 𝑥
𝑛, 𝑦𝑛 が得られる確率 𝑁 𝑦 𝑛|𝑓 𝑥 𝑛 , 𝜎2 = 1 2𝜋𝜎2 exp − 𝑦𝑛 − 𝑓 𝑥 𝑛 2 2𝜎2 トレーニングセット 𝑥 𝑛, 𝑦𝑛 𝑛=1 𝑁 が得られる確率 𝑃 = 𝑁 𝑦1|𝑓 𝑥1 , 𝜎2 × ⋯ × 𝑁 𝑦 𝑁|𝑓 𝑥 𝑁 , 𝜎2 = 𝑛=1 𝑁 𝑁 𝑦 𝑛|𝑓 𝑥 𝑛 , 𝜎2 データが互いに独立と仮定している
7.
参考書 Pythonでやります!
8.
時系列解析に使えるPythonライブラリ • pandas • matplotlib •
statsmodels
9.
リッチなデータ構造と関数を提供 金融データ分析のために開発されたため、 時系列分析に最適 DataFrame:2次元データ
10.
データの可視化に有用 IPython + matplotlibは科学計算にとって非常に 生産的な環境を提供 最近はSeabornもよく見かけるが、いまだ デファクトスタンダード
11.
statsmodels statistical modeling and
econometrics in Python 数多くの統計モデリング手法を提供 (一般化線形モデル、状態空間モデル、etc.) scipy.statsなどもあるが、おそらく一番機能が 充実している。
12.
時系列解析やってみた! 東京都における火災件数の推移
13.
解析の目的 観測される現象の背後にある「しくみ」の理解 例えば・・・ 年々火災件数は減少している →住宅用火災警報機の普及 →IHコンロの普及 冬場は火災が多い →空気が乾燥していて火災が起きやすい →暖房器具が稼働している たまたま多い、たまたま少ないなどのノイズを 除去した形でデータを眺めたい・・
14.
状態空間モデル • 非常に幅広い概念で、もともとは物理システム の記述に使われていたが、1990年代頃から金 融データをはじめとする時系列データに対する 応用が盛んになる • 状態空間モデルは、観測できない隠れた「状態 モデル」と観測した結果である「観測モデル」 からなる。 •
状態空間モデルを利用する最大のメリットは、 モデリングの柔軟性と増減要因の説明力
15.
状態空間モデル 観測できない隠れた(状態モデル) xt-1 xt xt+1 隠れた状態から観測した結果(観測モデル) yt-1
yt yt+1 ローカルレベルモデル 𝑦𝑡 = 𝑥𝑡 + 𝜀𝑡 𝜀𝑡~𝑁 0, 𝜎 𝜀 2 :観測値撹乱項 𝑥𝑡+1 = 𝑥𝑡 + 𝜂𝑡 𝜂𝑡~𝑁(0, 𝜎 𝜂 2):状態撹乱項 𝑥𝑡:潜在変数
16.
すべてのデータ𝑦1:𝑇が与えられたもとでのす べての潜在変数(真の水準)を知りたい・・ 𝑝 𝑥1:𝑇|𝑦1:𝑇 事後同時分布 計算きびしい・・・ カルマンフィルタを使おう! 線形ガウス状態空間モデルに対する計算アルゴリズム
17.
予測とフィルタリング 条件付き分布を1時点ずつ更新して求めていく 逐次計算アルゴリズム カルマンフィルタのイメージ 時間 変数 t-1 t t+1 観測値 予測値 予測 フィルタリング
18.
解析結果
19.
解析結果
20.
今後 「予測にいかす統計モデリングの基本」より抜粋
Notas do Editor
時系列分析は、各時刻の観測値は前の時点から影響を受けており、独立なデータではない。例えば、株価の時系列モデルを考えた場合、前日の値動きはどうか、上昇傾向なのか、下落傾向なのかが重要だというのはイメージしやすいかと思う。
DataFrameから特定の行または列を取り出したものはSeries。
まず可視化から始める。いくつかの特徴がつかめる。①周期性がありそう②全体的に下がってる?③東日本大震災
観測値は真の水準xtに正規ホワイトノイズεが乗ることで生成される。
Baixar agora