BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//https://techplay.jp//JP
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALDESC:データサイエンスすいすい会
X-WR-CALNAME:データサイエンスすいすい会
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:810557@techplay.jp
SUMMARY:データサイエンスすいすい会
DTSTART;TZID=Asia/Tokyo:20210310T120000
DTEND;TZID=Asia/Tokyo:20210310T130000
DTSTAMP:20260517T223736Z
CREATED:20210304T142000Z
DESCRIPTION:イベント詳細はこちら\nhttps://techplay.jp/event/81055
 7?utm_medium=referral&utm_source=ics&utm_campaign=ics\n\n概要\n\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スケジュール\n\n第13回　2021年3
 月10日（水）12：00～13：00\n隔週で開催予定\n参加方法\n
 \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内容\n\n「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」\nFo
 recastFlow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\n古幡 征史\n株式会社GRI 取締役\nPh.D in Computer Science\nGR
 I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、University of Southern California、
 ドワンゴを経て、2016年9月より現職  \n参加対象\n\nデー
 タサイエンスに関心のある方\n参加費\n\n無料\n情報共
 有コミュニティ\n\n自由にご参加いただけるSlackを用意
 しています\n実践的に機械学習を活用するための議論
 やノウハウの共有を目的としています\nすいすい会の
 内容についても活発に議論できればと思います\nSlackは
 こちら  \n過去のすいすい会\n\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→　ht
 tps://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「Fo
 recastFlow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ForecastFlow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 Mo
 del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/GlGdh05TTx4\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 + Matillion + 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\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※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/129
 24
LOCATION:オンライン
URL:https://techplay.jp/event/810557?utm_medium=referral&utm_source=ics&utm
 _campaign=ics
END:VEVENT
END:VCALENDAR