セミナー 印刷

ベイズ統計及びベイズモデリングの
基本的な考え方とその実践・活用

~ベイズ統計の基本、各モデルの理解、データ分析・予測の実践~

受講可能な形式:【Live配信】or【アーカイブ配信】のみ

ベイズ統計に基いたデータ分析の基本的な方法を実務への活用をふまえ解説
ベイズ統計を用いてどのようなことが可能なのか、従来の統計的手法との違いとは
多種多様なデータを分析し、その利活用ためにベイズ統計をものにするには
ベイズ統計及びベイズモデリングの基本的な考え方を多くの例を用いて解説
ベイズ統計、統計モデリング、マルコフ連鎖モンテカルロ法、ベイズ予測分布、、、、
Rのサンプルプログラムも配布し手を動かしていただく計算も適宜、織り交ぜます
ベイズ分析ツールRStanを用いた各モデルのデータ分析の実践方法も具体的に解説
このセミナーの受付は終了致しました。
日時 【Live配信】 2024年2月22日(木)  10:30~16:30
【アーカイブ配信】 2024年3月7日(木)  まで受付(視聴期間:3/7~3/21)
会場 【Live配信】 オンライン配信セミナー  
会場地図
【アーカイブ配信】 オンライン配信セミナー  
会場地図
受講料(税込)
各種割引特典
55,000円 ( E-Mail案内登録価格 52,250円 ) S&T会員登録とE-Mail案内登録特典について
定価:本体50,000円+税5,000円
E-Mail案内登録価格:本体47,500円+税4,750円
E-Mail案内登録なら、2名同時申込みで1名分無料 1名分無料適用条件
2名で55,000円 (2名ともE-Mail案内登録必須​/1名あたり定価半額27,500円) 
※テレワーク応援キャンペーン(1名受講)【オンライン配信セミナー受講限定】
 1名申込みの場合:受講料( 定価:41,800円/E-mail案内登録価格 39,820円 )
  定価:本体38,000円+税3,800円
  E-mail案内登録価格:本体36,200円+税3,620円
※1名様でオンライン配信セミナーを受講する場合、上記特別価格になります。
※お申込みフォームで【テレワーク応援キャンペーン】を選択のうえお申込みください。
※他の割引は併用できません。
配布資料PDFデータ(印刷可・編集不可)
※開催2日前を目安に、S&T会員のマイページよりダウンロード可となります。
※アーカイブ配信受講の場合は配信開始日からダウンロード可となります。
オンライン配信Live配信(Zoom) ►受講方法・接続確認申込み前に必ずご確認ください
アーカイブ配信 ►受講方法・視聴環境確認申込み前に必ずご確認ください
備考※講義中の録音・撮影はご遠慮ください。
※開催日の概ね1週間前を目安に、最少催行人数に達していない場合、セミナーを中止することがございます。
得られる知識・ベイズ統計に基いたデータ分析の基本的な方法、考え方
・ベイズモデリングと予測分布の基本的な方法、考え方
・ベイズ決定理論に沿った意思決定の基本的な方法、考え方
・マルコフ連鎖モンテカルロ法の基本
・ベイズ統計モデリングの各手法とデータ分析実践例
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
キーワード:ベイズ統計、統計モデリング、マルコフ連鎖モンテカルロ法、ベイズ予測分布

セミナー講師

大阪大学 全学教育推進機構 全学教育企画開発部 全学共通教育部門 教授
兼任 大阪大学  量子情報・量子生命研究センター
博士(情報理工) 田中 冬彦 氏
【講師紹介】

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におい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。
 本講座では、現実の課題解決に直結するベイズモデリングの基礎を習得し、事前の知識をデータに織り交ぜる術を学びます。広告効果の確率評価や最適な購入台数の決定などの例を通じて、実務に役立つスキルを身につけましょう。また、Rのサンプルプログラム(受講者のみ限定配布)も利用し、ベイズ統計の各モデリング手法とRStanによるデータ分析・予測の実践例も紹介します。

セミナー講演内容

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)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
 (1)確率分布と期待値、分散 
 (2)条件付き確率、独立性
 (3)条件付き確率を活用する
  a.確率と条件付き確率の違い
  b.窓口OL問題(モンティ・ホール問題)
 (4)ベイズの定理とその応用
  a.ベイズの定理と分解公式
  b. ベイズの定理の応用例:がん診断
 (5)機械学習への応用
  a.迷惑メールフィルタ
  b. 演習: 迷惑メールの確率の計算
  c. 機械学習の考え方

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

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

5.ベイズモデリングと予測分布
 (1)広告効果を確率で評価する
 (2)新規店舗の売上を分布で予測する
 (3)期待損失最小化で中古PCの追加購入台数を決める

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

□質疑応答□