タグ

関連タグで絞り込む (16)

タグの絞り込みを解除

時系列分析に関するmisshikiのブックマーク (47)

  • Echo State Network: 時系列データに対する高速機械学習 - Qiita

    はじめに 本記事では、時系列データに対する高速機械学習手法であるリザバーコンピューティング、特にEcho State Networkについて解説します。 忙しい人のため Echo State Networkとは、時系列データに対する高速機械学習手法である 入力層・リザバー・出力層の3つで構成されている 入力層とリザバーを通して高次元空間へ非線形に写像しつつ、RNN構造で時系列情報を取得することで、出力層（Ridge回帰）の予測を手助けする 入力層とリザバーのパラメータはランダムな初期値で固定して出力層のみ学習する。そのため従来の深層学習よりも学習コスト（計算機性能, 消費電力, 学習時間）が少ない！ エッジコンピューティングのように、時系列データストリームの速度に合わせてリアルタイムにモデルを更新する必要があるケースで有用 リザバーコンピューティングとは？ 通常のニューラルネットワークでは

    Echo State Network: 時系列データに対する高速機械学習 - Qiita
    misshiki
    misshiki 2024/07/01
    “時系列データに対する高速機械学習手法であるリザバーコンピューティング、特にEcho State Networkについて解説”
    リンク

  • 複数時系列データ × Transformerの実装と評価

    目次 本記事の動機 時系列解析とTransformerに対する先行研究のまとめ 複数時系列データの解析に対する課題を解決した改善モデル iTransformer iTransformerモデルの実装 実装環境と学習データ データの前処理 iTransformerモデル実装と最適パラメータ探索 数値実験と考察 本記事のまとめ 参考文献 本記事の動機 近年ではビックデータの利活用が活発になっており、データを蓄積・分析することが多くなっています。その際、機械学習やAIの実装をしてデータの分析を行う場合、データ数が鍵となっています。しかしながら、データの項目数が多いと、各項目のデータ数が少なくなる可能性があります。例えば、ある市場で売られている品種が複数あった場合、受注数の差だけではなく、受注のデータ数にも差が生じ、結果的に分析に使用可能なデータ数が少なくなり、分析の精度が低下することが考えられま

    複数時系列データ × Transformerの実装と評価

  • Google ColabでTimesFMを動かして予測してみた - Qiita


    概要 最近の記事を見ると、Zero-Shotで時系列予測ができるTimesFMと呼ばれるものが公開されていました。 Githubのリポジトリはこちら‥ 時系列予測というとベイズなどを用いて泥臭いことをやったりしないとですが、こちらはtransformerのデコーダ部分のみを用いてGoogle TrendsやWikipedia Pageviewなどの膨大なデータ(100 billion time point)で学習を実施したものを公開されています。パラメータも200Mで、GPT-3やLLama-2などと比較すると軽量なモデルであり、チューニングすることなく高度な予測をすることが可能であると書かれています。 時系列予測と言われるとベイズなどが浮かんできますが、面倒臭いのでサクッと予測できるのは比較対象としても悪くない気もしています。今回は、国内企業物価指数] 総平均︵前年比︶の2000年から2
    Google ColabでTimesFMを動かして予測してみた - Qiita

  • A decoder-only foundation model for time-series forecasting

    Philosophy We strive to create an environment conducive to many different types of research across many different time scales and levels of risk. Learn more about our Philosophy Learn more

    misshiki
    misshiki 2024/05/20
    “更新 • 2024 年 5 月 8 日：「時系列予測のためのデコーダー専用基盤モデル」がICML 2024で採択され、最新の結果を視覚化するために図が更新されました。”
    リンク

  • GitHub - google-research/timesfm: TimesFM (Time Series Foundation Model) is a pretrained time-series foundation model developed by Google Research for time-series forecasting.

    You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert

    GitHub - google-research/timesfm: TimesFM (Time Series Foundation Model) is a pretrained time-series foundation model developed by Google Research for time-series forecasting.
    misshiki
    misshiki 2024/05/20
    “TimesFM (Time Series Foundation Model) は、時系列予測のために Google Research によって開発された事前トレーニング済みの時系列基礎モデルです。”
    リンク

  • [論文紹介コード付] 時系列Transformerを自然言語処理のお作法で鍛えたらゼロショットで未来の系列を予測することができました｜斑鳩イカリング@金融AI

    [論文紹介コード付] 時系列Transformerを自然言語処理のお作法で鍛えたらゼロショットで未来の系列を予測することができました タイトル：Chronos: Learning the Language of Time Series 著者：Abdul Fatir Ansari1∗ , Lorenzo Stella1∗ , Caner Turkmen1 , Xiyuan Zhang2† , Pedro Mercado1 , Huibin Shen1 , Oleksandr Shchur1 , Syama Sundar Rangapuram1 , Sebastian Pineda Arango3‡ , Shubham Kapoor1 , Jasper Zschiegner, Danielle C. Maddix1 , Michael W. Mahoney4 , Kari Torkkola4

    [論文紹介コード付] 時系列Transformerを自然言語処理のお作法で鍛えたらゼロショットで未来の系列を予測することができました｜斑鳩イカリング@金融AI
    misshiki
    misshiki 2024/04/12
    “一言でまとめると：時系列Transformerを自然言語処理のお作法で鍛えたら，ゼロショットで未来の系列を予測することができました”
    リンク

  • 【書評】Pythonによる時系列予測 | DevelopersIO


    こんちには。 データアナリティクス事業本部 機械学習チームの中村(nokomoro3)です。 冬休みの個人的課題図書(自習)として﹁Pythonによる時系列予測﹂を読み終えましたので、感想と振り返りを書いておこうと思います。 書籍情報 以下の書籍になります。 Pythonによる時系列予測 | マイナビブックス 発売 : 2023年10月 翻訳本であり原著は以下となります Time Series Forecasting in Python 発売 : 2022年08月 概要 概要として本書に記載されていることと、記載されてないことを紹介します。 記載されていること︵感想含む︶ 記載されていることは以下のようになっています。 時系列タスクの説明 トレンド、季節性、残差という3成分に分けられることの説明 ランダムウォークという解けない問題の定義 統計モデルMA、AR、ARMA、SARIMA、SA
    【書評】Pythonによる時系列予測 | DevelopersIO
    misshiki
    misshiki 2024/01/04
    “Pythonによる時系列予測 | マイナビブックス 発売 : 2023年10月 翻訳本であり原著は以下となります Time Series Forecasting in Python 発売 : 2022年08月”
    リンク

  • Python ruptures でサクッと時系列データの変化点を見つける方法


    ビジネスの世界のデータの多くは、時間軸のあるデータである時系列データです。 時系列データを手に入れたら、どのようなデータかなんとなく知りたくなります。 時系列データの多くは色々な変化をしながら推移していきます。 例えば…… 全体の水準が大きくなったと思えば、水準が急激に落ちたり 上昇トレンドがあったかと思えば、下降トレンドになったり 振幅の幅が急激に大きくなったり、小さくなったり ……などなど。 時系列データは一定ではなく、このような変化をすることも少なくありません そこで知りたくなるのが、このような変化をする時期、つまり変化点です。 変化点を検出する技術は色々とあります。 幸いにも、Pythonのライブラリーの中に時系列データの変化点を見つけるためのパッケージがいくつかあります。 今回は、﹁Python ruptures でサクッと時系列データの変化点を見つける方法﹂というお話しをします
    Python ruptures でサクッと時系列データの変化点を見つける方法
    misshiki
    misshiki 2023/12/04
    “「Python ruptures でサクッと時系列データの変化点を見つける方法」”
    リンク

  • 「機械学習で時系列予測はできるのか」論議がTransformerと共に帰ってきた - 渋谷駅前で働くデータサイエンティストのブログ


    先日、こちらのポストをお見かけしました。 AI技術開発部の高橋が社内勉強会の資料﹁時系列予測にTransformerを使うのは有効か？﹂を公開しました。 論文Are Transformers Effective for Time Series Forecastingの紹介を中心に、時系列予測について解説しています。ぜひご覧ください。https://t.co/LplxTT8b1d pic.twitter.com/nUXb4bGiQ3— GOInc. AITech (@goinc_ai_tech) 2023年9月28日 なるほど、NN全盛というかNN一択の時代にあっては時系列予測もNNでやるのが当たり前になったのだなという感想でした。大昔﹁沖本本﹂で古典的な計量時系列分析を一通り学んだ身としては隔世の感がありますが、これもまたNN時代の趨勢なのでしょう。 なお、元論文2点は上記リンクから辿
    「機械学習で時系列予測はできるのか」論議がTransformerと共に帰ってきた - 渋谷駅前で働くデータサイエンティストのブログ
    misshiki
    misshiki 2023/10/23
    “結局、Transformerご自慢の(self-)attentionという仕組みと、世の中に溢れる一般的な時系列データが持つ「トレンド」「周期性」「ドリフト」「レジームスイッチ」といった気まぐれ感ある特徴との相性が悪い”
    リンク

  • 時系列予測にTransformerを使うのは有効か？

    AAAI2023「Are Transformers Effective for Time Series Forecasting?」と、HuggingFace「Yes, Transformers are Effective for Time Series Forecasting (+ Autoformer)」の紹介です。Read less

    時系列予測にTransformerを使うのは有効か？
    misshiki
    misshiki 2023/10/02
    全27ページのスライド資料。
    リンク

  • GitHub - facebook/prophet: Tool for producing high quality forecasts for time series data that has multiple seasonality with linear or non-linear growth.

    You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert

    GitHub - facebook/prophet: Tool for producing high quality forecasts for time series data that has multiple seasonality with linear or non-linear growth.
    misshiki
    misshiki 2023/09/27
    時系列データ予測ツール。
    リンク

  • facebook/prophet in 2023 and beyond

    Since Sean Taylor and Ben Letham open-sourced Prophet in 2017, it has remained a popular tool for forecasting time series, especially in business and planning contexts where we want to model human activity and consumption (e.g. website traffic, video hours watched). To January 2023, the Python package has been downloaded over 16 million times via PyPI, and continues to see 1 million downloads per

    facebook/prophet in 2023 and beyond
    misshiki
    misshiki 2023/09/27
    “2023 年以降の facebook/prophet”
    リンク

  • ごちきか


    ごちきか# NTTコミュニケーションズ イノベーションセンターでは、社会・産業DXのためのSmart World の一貫として、時系列データ分析手法の研究開発、お客さまのデータ分析支援や社内データ分析人材育成を行っています。 ごちきか︵gochikika︶ は、これら研究開発成果やデータ分析人材育成コンテンツをまとめたナレッジベースです。大別してメインコンテンツは以下の通りです。 分析: 主に製造業の時系列データを対象として、前処理からモデリングまで一連の基本的な分析手法をPythonコード付きで解説しています。 特集記事: 比較的新しめであったり難易度の高い手法や、私たちの取り組みを知ってもらうための学会発表資料が掲載されます。また一部未分類なコンテンツが格納されています。 私たちの研究開発成果は、同じくイノベーションセンターで開発しているノーコードAI開発ツールNode-AI に搭載さ
    ごちきか
    misshiki
    misshiki 2023/06/22
    “時系列データ分析手法の研究開発、お客さまのデータ分析支援や社内データ分析人材育成を行っています。ごちきか（gochikika） は、これら研究開発成果やデータ分析人材育成コンテンツをまとめたナレッジベース”
    リンク

  • 時系列データから大量の特徴量を生成するパッケージ「tsfresh」の使い方｜CO-WRITE


    こんにちは！突然ですが、皆さんは下のような二種類の時系列データを判別できるような特徴量を抜き出したいときに何を考えますか？そしてどうやって特徴量を抽出しますか？ 私はパッと見て次の手法を使えば特性が取り出せると思いました。 ピークの数 → k近傍法 ノイズの大きさ → 分散統計量 時系列方向で周期成分の大きさ → Wavelet変換 しかし、当然これだけでは十分な数の特性を網羅できていないでしょうし、適切な特性を抜き出すためにパラメータチューニングを行う必要があります︵例えば、Wavelet変換であれば適切な基底関数を選ぶ必要があります︶。 このように時系列データの特徴量エンジニアリングは調べることが無限にあり、どの特徴量を算出するかを考えているだけで日が暮れてしまいます。また、抜き出す特徴量が決まったとしてもモノによっては計算が複雑で実装に時間がかかってしまう場合もあります。 そんなとき
    時系列データから大量の特徴量を生成するパッケージ「tsfresh」の使い方｜CO-WRITE
    misshiki
    misshiki 2023/06/05
    “tsfreshができることは次の通りです（全てではなく、一部分を抜粋しています） 時系列データからユニークな番号ごとに約800個程度の特徴量を生成...など”
    リンク

  • 時系列分析に新たな潮流 : 増分近傍法による頑強な時系列「連鎖」抽出 TSC22

    3つの要点 ✔️ 時系列データから特徴的な「連鎖」を探すという比較的新しい手法が強力にアップデートされました ✔️ データが変化していく中で、正確に「連鎖」を見つけ、ノイズにも強い頑強なアルゴリズムになっています ✔️ 実世界のデータで定性評価、合成データで定量評価し、優れた性能を確認しています Robust Time Series Chain Discovery with Incremental Nearest Neighbors written by Li Zhang, Yan Zhu, Yifeng Gao, Jessica Lin (Submitted on 3 Nov 2022) Comments: ICDM 2022 Subjects: Machine Learning (cs.LG); Artificial Intelligence (cs.AI); Information

    時系列分析に新たな潮流 : 増分近傍法による頑強な時系列「連鎖」抽出 TSC22
    misshiki
    misshiki 2023/02/09
    “時系列データの分析、モデル化には多くのアプローチがあり、今回紹介する「時系列連鎖(Time Series Chain: TSC))」は、それらの中でも比較的新しい手法です。”
    リンク

  • 【時系列分析/Python】statsmodelsライブラリのDeterministicProcess関数を使用して、売上予測をする。 - Qiita

    【時系列分析/Python】statsmodelsライブラリのDeterministicProcess関数を使用して、売上予測をする。 今回の課題 KaggleのTrendというチュートリアルでstatsmodelsライブラリを使用して、 未来の数値の予測が行われていた。 そのチュートリアルを参考に、 前回投稿した下記の記事の、未来の売上予測を行いたかった。 https://qiita.com/Ayumu-y/items/a2f3f716706a6f34028b statsmodelsライブラリとは 統計モデルを用いて推定や検定、探索ができるPythonライブラリ。 statsmodelsライブラリの中にDeterministicProcess関数があり、 この関数を使用することで未来の数値の予測ができる。 ※公式ドキュメントはこちら 使用したコードの解説 作成したコードが下記の通り。 1

    【時系列分析/Python】statsmodelsライブラリのDeterministicProcess関数を使用して、売上予測をする。 - Qiita
    misshiki
    misshiki 2023/01/10
    “statsmodelsライブラリとは 統計モデルを用いて推定や検定、探索ができるPythonライブラリ。 statsmodelsライブラリの中にDeterministicProcess関数があり、 この関数を使用することで未来の数値の予測ができる。”
    リンク

  • ごちきか


    ごちきか# NTTコミュニケーションズ イノベーションセンターでは、社会・産業DXのためのSmart World の一環として、時系列データ分析手法の研究開発、お客さまのデータ分析支援や社内データ分析人材育成を行っています。 ごちきか︵gochikika︶ は、これら研究開発成果やデータ分析人材育成コンテンツをまとめたナレッジベースです。大別してメインコンテンツは以下の通りです。 分析: 主に製造業の時系列データを対象として、前処理からモデリングまで一連の基本的な分析手法をPythonコード付きで解説しています。 特集記事: 比較的新しめであったり難易度の高い手法や、私たちの取り組みを知ってもらうための学会発表資料が掲載されます。また一部未分類なコンテンツが格納されています。 私たちの研究開発成果は、同じくイノベーションセンターで開発しているノーコードAI開発ツールNode-AI に搭載さ
    ごちきか
    misshiki
    misshiki 2022/12/26
    “ごちきか（gochikika） は、これら研究開発成果やデータ分析人材育成コンテンツをまとめたナレッジベースです。”
    リンク

  • 時系列データ分析コンテンツ「ごちきか」を公開します - NTT Communications Engineers' Blog


    この記事は、 NTT Communications Advent Calendar 202224日目の記事です。 はじめに イノベーションセンターの木村と申します。初めてのアドベントカレンダー&Engineers’blog投稿です。普段の業務は、機械学習をもちいた時系列データ分析の研究開発やお客様データ分析案件支援を主として行っています。プライベートでは自転車にお熱でZwiftでバーチャルライドをしたり、最近ではテクニック向上のためバニーホップの練習に励んでいます︵なかなか上達しません…︶。 今日はクリスマスイブということで、時系列データ分析コンテンツ﹁ごちきか﹂ をプレゼント︵？︶します！年末休みのお供にぜひご照覧ください。 サマリー 時系列データ分析コンテンツ﹁ごちきか﹂を公開しました ︵余談として︶基盤やデプロイ方法を紹介します What is ﹁ごちきか﹂？ 私たちのチームでは、
    時系列データ分析コンテンツ「ごちきか」を公開します - NTT Communications Engineers' Blog
    misshiki
    misshiki 2022/12/26
    “ごちきか（gochikika）プロジェクト は...ナレッジベースです。主に製造業の時系列データを対象として、前処理からモデリングまで基本的な分析手法をPythonのソースコード付きで解説しています。”
    リンク

  • LinkedInが開発した時系列モデル“Greykite”の理論と実装 - ぱぐみの部屋


    時系列データのモデリングとして、以下のような手法がメジャーかなと思います。 ARIMA Prophet 状態空間モデル RNN LSTM DeepAR 今回は、2021年に発表された比較的新しい手法であるGreykiteのご紹介をしていきます。 注意‥本記事は2022年11月時点の情報をもとに記載しております。ライブラリの変更等により本記事の記載内容が古くなる可能性がありますが、ご了承ください。 Greykiteとは? LinkedInが2021年にOSSとして公開した時系列予測モデルです。機械学習分野の国際会議であるKDD2022でも発表されたようです。 KDD2022よりLinkedInによる時系列予測OSS Greykite (https://t.co/wpsCnuak2t) の紹介論文。コアとなるSilverkiteというアルゴリズムの紹介が中心で解釈可能性と速度が売り。Proph
    misshiki
    misshiki 2022/11/21
    “2021年に発表された比較的新しい手法であるGreykiteのご紹介”
    リンク

  • 時系列予測モデルの実践論 －昔のKaggleを事例に－ - NRI Data Science BLOG


    Part1 なにはなくともEDA＆ベースモデルつくりから！ Shimpei Ikeno 2022-07-12 本連載の目的‥実践的な”多系列”時系列予測モデルの解き方を紹介 みなさんはじめまして。NRIのデータサイエンティスト、時系列予測プラクティスチームの池野です。Wikipediaによれば、時系列とは、“ある現象の時間的な変化を、連続的に︵または一定間隔をおいて不連続に︶観測して得られた値の系列︵一連の値︶のこと”をさします。時系列予測の大家であるRob J. Hyndman教授によれば、予測とは、“将来を、過去のデータや影響を与える将来のイベントなどの活用可能な情報に基づいて、できるだけ正確に見通すこと”とあります。したがって、時系列予測は、時間的な変化の観測結果に基づき将来をできるだけ正確に見通す取組といえましょう。時系列予測モデルは、そのような時間的変化の観測結果からパターンを見
    時系列予測モデルの実践論 －昔のKaggleを事例に－ - NRI Data Science BLOG
  • 1 2 3 次のページ

お知らせ

もっと読む

公式Twitter

  • @HatenaBookmark

    リリース、障害情報などのサービスのお知らせ

  • @hatebu

    最新の人気エントリーの配信

はてなブックマーク

公式Twitter

はてなのサービス

  • App Storeからダウンロード
  • Google Playで手に入れよう
Copyright © 2005-2024 Hatena. All Rights Reserved.