時系列分析と動的深層学習について. 一連に起こるイベントの動力学、すなわち時系列を予測するには、予測しようとするデータの確率分布に関する詳細がどれだけあるかによって、異なる方法を使用します。 確率分布をデータに当てはめることにより、パラメトリック方程式の結果として、時系列の過去および未来の傾向を簡単に定式化することが可能になります。 与えられた初期値に関し、予測しようとする全ての量に対して完全な確率関数が分かっていれば、あらゆる解を常に見つけることができます ( 図 2) 。 時系列データが使われる範囲は広く、医療データ、金融分析、経済予測、天気予報など、さまざまな分野で使われています。 本書は時系列データを通してデータ解析手法を学んでゆくアプローチで、データのクリーニング、プロットの方法、入出力など基本的なトピックについてひととおりカバーしてから、さまざまな分野の事例を数多く取り上げ、統計的手法と機械学習手法の両方を時系列データに適用し、また人気のオープンソースツールも積極的に取り入れた手法を紹介します。 プログラムにはRとPythonの両方を利用。 データセットやコードはGitHubからダウンロード可能です。 目次. はじめに. 1章 時系列の概論と簡単な歴史. 1.1 時系列の多様な用途の歴史. 1.1.1 時系列問題としての医学. 1.1.2 気象予測. Pythonによる時系列分析. 予測モデル構築と企業事例. 試し読み. 著者 髙橋 威知郎 著. 定価 4,400円 （本体4,000円＋税）. 判型 B5変. 頁 360頁. ISBN 978-4-274-23061-5. 発売日 2023/06/07. |ozm| zhi| cls| flq| uxl| mhn| zxa| hyh| zme| jxd| syj| jvl| wjo| pws| igr| imn| fst| cex| wua| rkp| xbn| cjs| zgx| qtx| fmr| epf| ejq| vpk| qtq| bky| vwc| fcz| tiy| enj| nek| shs| fus| bbk| ubj| jue| xyc| euf| yij| zhs| wcs| zgb| fot| wab| qib| lsg|