BEGIN:VCALENDAR VERSION:2.0 PRODID:-//https://techplay.jp//JP CALSCALE:GREGORIAN METHOD:PUBLISH X-WR-CALDESC:【水曜お昼の雑談会】データサイエンスすい すい会 第13回「自動機械学習での特徴量エンジニアリ ングのテクニカル解説」 X-WR-CALNAME:【水曜お昼の雑談会】データサイエンスすい すい会 第13回「自動機械学習での特徴量エンジニアリ ングのテクニカル解説」 X-WR-TIMEZONE:Asia/Tokyo BEGIN:VTIMEZONE TZID:Asia/Tokyo BEGIN:STANDARD DTSTART:19700101T000000 TZOFFSETFROM:+0900 TZOFFSETTO:+0900 TZNAME:JST END:STANDARD END:VTIMEZONE BEGIN:VEVENT UID:810423@techplay.jp SUMMARY:【水曜お昼の雑談会】データサイエンスすいすい 会 第13回「自動機械学習での特徴量エンジニアリング のテクニカル解説」 DTSTART;TZID=Asia/Tokyo:20210310T120000 DTEND;TZID=Asia/Tokyo:20210310T130000 DTSTAMP:20260504T214830Z CREATED:20210304T042247Z DESCRIPTION:イベント詳細はこちら\nhttps://techplay.jp/event/81042 3?utm_medium=referral&utm_source=ics&utm_campaign=ics\n\nデータサイ エンスすいすい会\n概要\nデータサイエンスに関する雑 談を通して、すいすいデータサイエンスを推進できる ような知見を貯めていくオンライン雑談会\nGRIの分析 官リーダ他が参加してテーマについてお話します\n参 加無料、お昼を食べながらお気軽にご参加ください\n\n スケジュール\n第13回　2021年3月10日（水）12：00～13：00 　\n隔週で開催予定\n\n参加方法\n時間になりましたら 、下記ZoomURLよりご自由にご参加ください\nhttps://zoom.us/ j/96152836275\n\n内容\nForecastFlowなどの自動機械学習の予測 結果を理解しやすくするには、インプットデータの準 備の仕方を工夫するテクニックがいくつか存在します 。今回は、多くの予測問題に共通する、時刻データの 扱い、欠損値の扱い、カテゴリデータの扱いについて 、共有いたします。\n時刻データの扱い（時系列予測 ではなく）\n\n時刻ではなく、リードタイムや期間に変 換\n\n欠損値の扱い\n\nデータに欠損値がある時のシチ ュエーション\nデータに欠損値がある時のForecastFlowの 挙動（訓練時、推論時）\nデータに欠損値がある時の データ準備の手順\n\nカテゴリデータの扱い\n\nカテゴ リデータの持ち方（ワンホット・エンコーディングと の比較）\nカテゴリデータを括る\n数値をカテゴリに変 換すべきか\n\n登壇者\n古幡 征史　\n株式会社GRI 取締役 \nPh.D in Computer Science\nGRIにて50以上のAI\, BI\, 分析基盤構 築プロジェクトをリード\nKPMGコンサルティング、Univers ity of Southern California、ドワンゴを経て、2016年9月より現 職\n\n参加対象\n\nデータサイエンスに関心のある方\n\n 参加費\n無料\nハッシュタグ\n#techplayjp\n過去のすいすい 会\nスライド資料はこちら→https://gri.jp/news/12924\n第1回 「ビジネスでAIを上手く活用するための問題設定法の 共有」\n動画はこちら→　https://youtu.be/ppkgYD69NDU\nAIを実 践的に活用する際、どのような問題を設定すべきか？\ nAIで解くべき問題が分かると、実践的なデータ利活用 ができます\n第1回では、サブスクリプション・ビジネ ス（解約防止、Life-Time Valueの予測）における問題設定 の秘訣を話しました\n第2回 「アンケートと機械学習で 効率的な顧客理解の実践方法の共有」\n動画はこちら →　https://youtu.be/-s1PcLQUBNI\nアンケート回収数が少なく アンケート結果が眠っている企業も多いのではないで しょうか？\n今回の「すいすい会」では、アンケート と機械学習の組み合わせの事例を紹介しました\n第３ 回「機械学習の初心者卒業：　分類問題の精度評価手 法と不均衡データの実践的な取り扱い」\n動画はこち ら→　https://youtu.be/q6WJDTOgotA\n実社会では不均衡データ を扱うのが普通ですが、教科書ではあまり触れられて いないため、不均衡データの実践的な取り扱い方をお 話ししました\n第４回「自動機械学習での特徴量の作 り方」\n動画はこちら→　https://youtu.be/Ms52EnCRk8g\n自動 機械学習の工程の中で最も時間を要するのが予測ター ゲットを説明する特徴量データの準備になります。特 徴量の考え方、アンチパターン、モダンなアルゴリズ ムで不要な特徴量処理をお話しました。また、Tableauな どの可視化ツールで事前に分析しておくべきことと自 動機械学習での特徴量エンジニアリングの使いどころ をお伝えしました。\n第5回「ForecastFlowで自動機械学習 をやってみよう」\n自動機械学習の仕事の進め方をForec astFlowのデモ（分類問題と回帰問題）を通して紹介しま した。このデモは幕張で開催された「AI・業務自動化 展」より生放送でお送りしました。\n第6回「予測スコ アを用いた効果的な施策実施」\n動画はこちら→　https ://youtu.be/8Sm8ex6taE8\n自動機械学習ForecastFlowを使うと、顧 客一人一人のレベルで予測スコアを自動で算出できる ようになります。これからの出来事が予測できるので 、効率的に施策を実施することができます。その実行 手順や考え方を説明します。\n第7回「時系列のセンサ ーデータを扱ったPredictive Modelでの予測について」\n動 画はこちら→　https://youtu.be/P09VdyyVtHs\nビジネスシーン で扱うデータの多くは時系列データであり、予測に関 して、数多くのモデルが存在します。NASAの研究の一つ である飛行機のタービンエンジン機器のセンサーデー タを用いて、故障予測を中心にお話しました。\n第8回 「データ活用を推進するマネージャが知っておくべき 自然な摂理」\n動画はこちら→　https://youtu.be/SZvqLKRET3Y\ nデータ活用の推進とリモートワークにより、各マネー ジャは静かな大変動に直面しています。データを活用 する上で自然な摂理がいくつか存在しており、それら をベースにマネージャとしてデータを効率的に使うた めの環境整備のヒントをお話しました。\n第9回「自動 機械学習での予測モデル分割による詳細分析」\n動画 はこちら→　https://youtu.be/2uH_em9b3X4\n自動機械学習ツー ルForecastFlowの予測モデル分割機能を用いて、「米国電 話会社の解約予測」と「海外旅行ユーザの予測」の事 例紹介を行いました。\n第10回「はじめての自動機械学 習（ForecastFlow）」\n動画はこちら→　https://youtu.be/GlGdh0 5TTx4\nGRIが開発した自動機械学習ツール「ForecastFlow」を 使って、自動機械学習に関して説明しました。\n第11回 「大規模データ分析基盤と自動機械学習（BigQuery + Matil lion + ForecastFlow」\n動画はこちら→　https://youtu.be/TanBxco- kcA\n大規模データ分析基盤と自動機械学習連携の手順 を紹介しました。\n第12回「ECの売上データに対して自 動機械学習を用いた顧客行動予測」\n動画はこちら→ 　https://youtu.be/yk3CO_fPY-4\nECの成長の鍵を２つの視点で 紹介しました\n\nEC分野での自動機械学習を利用する典 型的な分析テーマ例の整理\nあるイギリスのECの売上デ ータを用いたForecastFlow（自動機械学習）のデモの共有\ n\n\n※動画や資料は弊社コーポレートサイトでもご覧 いただけます\nhttps://gri.jp/news/12924 LOCATION:https://zoom.us/j/96152836275 URL:https://techplay.jp/event/810423?utm_medium=referral&utm_source=ics&utm _campaign=ics END:VEVENT END:VCALENDAR