ベイズ統計モデリング入門講座 ～ベイズ統計の基本から各モデルの理解、 データ分析・予測の実践まで～

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（講義中は講師による実演のみで、受講者による実習は想定しておりません）。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
　など

習得できる知識

・ベイズ統計を用いてどのようなことが可能か従来の統計的手法との違い
・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
　など

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
　　　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
   （2）新規店舗の売上を分布で予測する
　　 　a.  問題設定と統計モデル
　　　 b.  予測分布
　　　 c.  分析結果
　（3）期待損失最小化で中古PCの追加購入台数を決める
　　　 ａ. 問題設定
　　　 ｂ. 損失関数
　　　 ｃ. 決定関数
　　　 ｄ. 分析結果
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
　（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＞

セミナー講師

 田中 冬彦 先生   国立大学法人 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
 量子情報・量子生命研究センター（兼任） 博士 (情報理工)　

セミナー受講料

【オンラインセミナー（見逃し視聴なし）】：1名47,300円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき36,300円

【オンラインセミナー（見逃し視聴あり）】：1名52,800円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき41,800円

＊学校法人割引；学生、教員のご参加は受講料50％割引。　　　

受講について

※本講座は、お手許のPCやタブレット等で受講できるオンラインセミナーです。

配布資料・講師への質問等について

• 配布資料はPDF等のデータで送付予定です。受取方法はメールでご案内致します。
  （開催1週前～前日までには送付致します）。
  ※準備の都合上、開催1営業日前の12:00までにお申し込みをお願い致します。
  （土、日、祝日は営業日としてカウント致しません。）
• 当日、可能な範囲で質疑応答も対応致します。
  （全ての質問にお答えできない可能性もございますので、予めご容赦ください。）
• 本講座で使用する資料や配信動画は著作物であり、
  無断での録音・録画・複写・転載・配布・上映・販売等を禁止致します。

下記ご確認の上、お申込み下さい

• PCもしくはタブレット・スマートフォンとネットワーク環境をご準備下さい。
• ご受講にあたり、環境の確認をお願いしております（20Mbbs以上の回線をご用意下さい）。
  各ご利用ツール別の動作確認の上、お申し込み下さい。
• 開催が近くなりましたら、当日の流れ及び視聴用のURL等をメールにてご連絡致します。

Zoomを使用したオンラインセミナーとなります

• ご受講にあたり、環境の確認をお願いしております。
  お手数ですが下記公式サイトからZoomが問題なく使えるかどうか、ご確認下さい。
  → 確認はこちら
  ※Skype／Teams／LINEなど別のミーティングアプリが起動していると、Zoomでカメラ・マイクが使えない事があります。お手数ですがこれらのツールはいったん閉じてお試し下さい。
• Zoomアプリのインストール、Zoomへのサインアップをせずブラウザからの参加も可能です。
  ※一部のブラウザは音声（音声参加ができない）が聞こえない場合があります。
  　必ずテストサイトからチェック下さい。
  　対応ブラウザーについて(公式) ;
  　「コンピューターのオーディオに参加」に対応してないものは音声が聞こえません。

申込み時に（見逃し視聴有り）を選択された方は、見逃し視聴が可能です

• 開催5営業日以内に録画動画の配信を行います（一部、編集加工します）。
• 視聴可能期間は配信開始から1週間です。
  セミナーを復習したい方、当日の受講が難しい方、期間内であれば動画を何度も視聴できます。
  尚、閲覧用のURLはメールにてご連絡致します。
  ※万一、見逃し視聴の提供ができなくなった場合、
  （見逃し視聴有り）の方の受講料は（見逃し視聴無し）の受講料に準じますので、ご了承下さい。
  →こちらから問題なく視聴できるかご確認下さい（テスト視聴動画へ）パスワード「123456」