時系列データは様々な実務に用いるにも関わらず、なぜか大学では主に経済学部でしか学ぶ機会がなく、理系出身のエンジニアの方々はお困りだろうと察します。また、限られた勤務時間の中で独学を試みても、数式ばかりの教科書に難儀されているのではないでしょうか。
　そこで本セミナーでは、図解による分かり易さを重視し、フリーソフトPythonによる実践方法を多数紹介します。特に、データの個性を定量化する統計分析や、数式化する時系列モデルを紹介した後。人工知能技術として「将来予測」や「異常検知」に応用します。これらのプログラムは全て配布しますので、復習やご自身の業務にご活用いただけます。

1. 時系列データの分析手法
2. 時系列データのモデル化
3. 時系列データの予測と異常検知
   1. 将来予測への応用
      1. モンテカルロシミュレーションによる長期予測
      2. 残差の時間構造も考慮する方法
   2. 異常検知への応用
      1. 予測モデルを使う方法
      2. 予測モデルを使わない方法
4. 機械学習による学習力の強化
   1. 線形モデルと非線形モデルの違い
      1. 重回帰分析から「非線形重回帰分析」へ
      2. 最も手軽なのに高性能な「k近傍法」
      3. 機械学習の失敗につながる「次元の呪い」
      4. 交差確認法 (CV法)
      5. モデルパラメータとハイパーバラメータの違い
   2. ニューラルネットワーク
      1. 単一ニューロンモデルの学習則 (最急勾配法)
      2. ニューラルネットワークの学習則 (逆誤差伝搬法)
      3. 多層ニューラルネットの問題点 (勾配消失問題,過学習)
      4. 深層学習を可能にしたオートエンコーダ
5. 様々な時系列モデルの使い分け
6. 様々な機械学習の使い分け
7. 様々な異常検知の使い分け
8. ニューラルネットワークから深層学習へ
9. 決定木による学習結果の可視化
10. 集団学習による学習力の強化
    1. 多数決で予測精度を向上させる
    2. 予測精度が向上する理由 (集合知定理)
    3. いろいろな集団学習
    4. バイアス・バリアンス分解
    5. 集団学習の活用事例
11. PythonとRを連携して使うテクニック
12. Pythonによるデモンストレーション
• 質疑応答