ベイズ統計の基本から各モデルの理解、データ分析・予測の実践

ベイズ統計の基本的な考え方を理解し、実務で応用！

多種多様なデータの分析とその利活用の方法論としてベイズ統計をものにする

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します。
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、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！

セミナー講師

大阪大学　大学院基礎工学研究科  システム創成専攻　准教授　博士(情報理工)　田中 冬彦　氏
（兼任）大阪大学　数理・データ科学教育研究センター　データ科学部門
（兼任）大阪大学  量子情報・量子生命研究センター

セミナー受講料

定価：49,500円（オンライン受講価格：35,200円）

＜セミナー主催者のメルマガ登録をされる場合＞
特別割引価格：
１名：46,970円（オンライン受講価格：33,440円）
２名：49,500円（１名分無料：１名あたり24,750円）
３名以上のお申込みの場合、１名につき24,750円で追加受講できます。

受講について

Zoom配信の受講方法・接続確認

• 本セミナーはビデオ会議ツール「Zoom」を使ったライブ配信となります。PCやスマホ・タブレッドなどからご視聴・学習することができます。
• 申込み受理の連絡メールに、視聴用URLに関する連絡事項を記載しております。
• 事前に「Zoom」のインストール(または、ブラウザから参加)可能か、接続可能か等をご確認ください。
• セミナー開催日時に、視聴サイトにログインしていただき、ご視聴ください。
• セミナー中、講師へのご質問が可能です。
• 以下のテストミーティングより接続とマイク/スピーカーの出力・入力を事前にご確認いただいたうえで、お申込みください。
  ≫ テストミーティングはこちら

配布資料

• PDFデータ／印刷可

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あるといわれています。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が既に多くの分野で重要な課題になっており、そのための方法論とし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。
　そこで、本講座で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で学んでいきます。特に、様々な職種・業務の方が理解しやすいように、シンプルな活用例をとりあげます。また、Rのサンプルプログラム（受講者に配布）も利用し、手を動かす計算も適宜、織り交ぜています。特に、最近話題のベイズ分析ツールRStanなどの基礎となるアルゴリズム（マルコフ連鎖モンテカルロ法）もRでいちから実装した例を与えます。そして、ベイズ統計の各モデリング手法について解説、RStanによるデータ分析の実践例を示します。

受講対象・レベル

• 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

習得できる知識

• 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

セミナープログラム

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.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.応用上の意味
      c.がん診断
      d.ベイズの定理を用いた計算例
   5. 機械学習への応用
      a.迷惑メールフィルタ
      b.迷惑メールの確率
      c.迷惑メールフィルタの仕組み
      d.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.ベイズ分析の主要な部分
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の実装・プログラミング
      a.実装方法の概略
      b.プログラムの解説
   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
      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・サンプラーの概要
      d.ギブス・サンプラーのアルゴリズム 
   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

□質疑応答□

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