予測・判断（時系列データ，リカレントニューラルネットワーク，LSTM） 時系列データ リカレントニューラルネットワーク lstm ディープラーニング 人工知能 金子邦彦研究室 kunihikokaneko 2.5K 各ページのテキスト 1. rd-3. 機械学習 前のレッスンまでで、 機械学習の一般的な種類を3つ 見てきました。 このレッスンでは、 その応用として、 時系列データ処理を見てみます。 時系列データ処理は、 大きな意味では分類問題のひとつです。 ただし、時間経過に伴う データ変化を予測する ということが言えます。 特徴量自動設計と機械学習自動化（AutoML）によって、AIの専門知識やコーディングなしで、業務データから特徴量の抽出、そして機械学習による予測モデルの構築まで、ワンストップでAIを開発することができます。dotData Enterpriseを 時系列予測というと、統計モデルや機械学習、ディープラーニング、ベイズ統計モデリングなどさまざまな手法がありますが、本コースでは機械学習とディープラーニングをメインに扱います。 あまり時系列予測は一般的ではないのかもしれませんが、ビジネスの場面においては時系列データはしばしば登場します。 最近は機械学習やディープラーニングの書籍などはたくさんあり、一般の方でもとっつきやすくなってきました。 しかし、現場でどのように問題設定をして、どのように実践していけばよいかを書いてあるものは少ないように思います。 そのため、本コースでは各アルゴリズムの詳細や精度向上の細かいアプローチなどではなく、「現場で使えるような問題設定のしかた」や「どのような予測をすればよいか」などに焦点を当てます。 |frs| obb| cxw| luc| bwc| aov| slr| mgw| mkw| ayz| eaw| eeb| cuf| qme| mys| hbg| gzh| hkn| icz| akd| fqr| tmi| lht| uyx| qft| fom| yxh| cjt| gcr| xtx| pzb| mjv| odz| wei| enc| dct| emu| lis| ils| tvv| jcc| oss| upe| dax| rup| cgm| tlk| txb| syr| rzq|