BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//https://techplay.jp//JP
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALDESC:【オンライン開催】『Pythonではじめる異常検
 知入門』読書会#5
X-WR-CALNAME:【オンライン開催】『Pythonではじめる異常検
 知入門』読書会#5
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:932378@techplay.jp
SUMMARY:【オンライン開催】『Pythonではじめる異常検知入
 門』読書会#5
DTSTART;TZID=Asia/Tokyo:20240126T193000
DTEND;TZID=Asia/Tokyo:20240126T203000
DTSTAMP:20260412T150612Z
CREATED:20240115T060551Z
DESCRIPTION:イベント詳細はこちら\nhttps://techplay.jp/event/93237
 8?utm_medium=referral&utm_source=ics&utm_campaign=ics\n\n次回は、第7
 章を取り上げます。\n開催趣旨\n本勉強会では下記の本
 を取り上げます。事前に予習し、コードを一通り動か
 してから参加されることをオススメします。参加者同
 士の質問・意見交換やディスカッションをメインに進
 めていく予定です。  \n『Pythonではじめる異常検知入門
 ―基礎から実践まで―』（監修：   笛田 薫 氏（滋賀
 大学）、著：江崎 剛史 氏（滋賀大学）、李 鍾賛 氏（
 大阪経済法科大学）\, 科学情報出版\, 2023年4月）    \n
 ※ 書籍はご自身で入手のうえ、ご参加ください。  \n
 参加対象者\n\n統計学・機械学習の知識とPythonによる実
 装力を高め、業務や研究に活用した社会人・学生・研
 究者の方  \nPythonの基礎的な文法やJupter Notebook、Google Co
 laboratoryの基本的な使い方を習得されている方\n\n参加
 方法\nConnpassの「参加者への情報」に記載のzoomリンク
 よりご参加ください。  \n勉強会の進め方\n\nその日に
 取り扱う章を前もって各自ご自身で読み進めておいて
 ください。  \n勉強会では、皆で書籍の内容を確認しな
 がら、必要に応じてGoogle Colaboratory等で実際にコードを
 動かしていきます。  \nポイントごとに立ち止まって疑
 問点をぶつけ合い、意見交換し、理解を深めていけれ
 ばと思います。  \n\n※ 一人が資料準備してきて一方的
 にレクチャーする形式ではなく、参加者同士インタラ
 クティブにディスカッションしながら進めていきます
 。\n目次（https://www.asakura.co.jp/detail.php?book_code=25047）\n
 【目次】\n第Ⅰ部　異常検知の準備\n第１章　イントロ
 ダクション\n１－１　異常検知とは何か\n１－２　各章
 のつながり\n第２章　異常検知のデータサイエンス\n２
 －１　得られたデータの見える化（可視化）\n２－２
 　得られたデータの数式化：回帰モデル\n２－２－１
 　回帰モデルの構築\n２－２－２　モデルの当てはま
 りの良さ\n２－３　交差検証法\n２－４　次元圧縮：主
 成分分析\n２－４－１　主成分の導出\n２－４－２　寄
 与率と累積寄与率\n２－４－３　主成分スコア\n２－４
 －４　因子負荷量と主成分の解釈\n２－５　ベイズの
 定理\n２－５－１　事象の設定\n２－５－２　事象の確
 率\n２－５－３　条件付き確率\n２－５－４　ベイズの
 定理\n第３章　異常度と評価指数\n３－１　データに基
 づいた異常検知\n３－２　異常度：正常と異常を判別
 する客観的基準\n３－２－１　異常度算出の例1：デー
 タ間の距離を参考に正常と異常を考える\n３－２－２
 　異常度算出の例2：正規分布を仮定して正常と異常を
 考える\n３－３　異常検知の性能評価\n３－３－１　正
 常データに対する精度\n３－３－２　異常データに対
 する精度\n３－３－３　分岐精度とF値\n３－３－４　RO
 C曲線の下部面積\n３－４　この章で使用したPythonコー
 ド\n第４章　距離に基づいた異常検知\n４－１　はじめ
 に\n４－２　類似度（距離）\n４－３　距離に基づく異
 常検知のアプローチ\n４－３－１　全てのデータ点と
 の距離\n４－３－２　最近傍（Nearest Neighbor）からの距
 離\n４－３－３　k近傍（Nearest Neighbor）からの平均距離
 \n４－３－４　k最近傍までの距離の中央値\n第Ⅱ部　
 データの特性でアプローチを決める\n第５章　入出力
 の情報に基づくアプローチ\n５－１　通常状態からの
 乖離に基づく検知：ホテリングT2\n５－１－１　データ
 が従う確率分布の仮定\n５－１－２　異常度の算出\n５
 －１－３　異常判別の閾値設定\n５－２　過去の傾向
 からの乖離に基づく検知：ｋ－近傍法\n５－２－１　
 データが従う確率分布の仮定\n５－２－２　異常度の
 算出\n５－２－３　異常判別の閾値設定\n５－３　特定
 の構造から外れたデータの検知：One-Class SVM\n５－３－
 １　データを囲む最小の球を考える\n５－３－２　異
 常度の定義\n５－３－３　カーネルトリック\n５－３－
 ４　異常判別の閾値設定\n５－４　この章で使用したPy
 thonコード\n第６章　時系列情報に基づくアプローチ\n
 ６－１　定常状態の時系列データの異常検知\n６－１
 －１　前の時点との相関を調べる\n６－１－２　異常
 度の算出\n６－１－３　異常度判別の閾値設定\n６－２
 　非定常状態の時系列データの異常検知\n６－２－１
 　差分をとって定常状態とみなせる形に変換する\n６
 －２－２　異常度の算出\n６－２－３　異常度判別の
 閾値設定\n６－３　この章で使用したPythonコード\n第Ⅲ
 部　実践\n第７章　異常検知の実践例\n７－１　複数入
 力データの異常検知\n７－１－１　通常状態からの乖
 離に基づく検知：ホテリングT2\n７－１－２　特定の構
 造から外れたデータの検知：One-Class SV\n７－１－３　
 補足：ホテリングT2とOne-Class SVMの違い\n７－２　時系
 列データの異常検知\n７－２－１　気温データの時系
 列解析\n７－２－２　補足：時系列モデルのパラメー
 タ推定\n第８章　補足\n８－１　Pythonのインストールと
 実行\n８－１－１　Anacondaのインストール\n８－１－２
 　Jupyter notebookを使ったインタラクティブ環境\n８－１
 －３　簡単な計算\n８－１－４　変数の型\n８－１－５
 　データ構造\n８－１－６　プログラムの基本（for文
 とif文）\n８－１－７　データの可視化\n８－１－８　
 ライブラリのインストール\n８－２　分岐ルールを作
 るアプローチ（Isolation Forest）\n８－３　異常検知の理
 解に有用な文献・サイト\n８－３－１　統計の基礎知
 識に関する書籍\n８－３－２　一般的な統計に関する
 書籍\n８－３－３　さらに進んだ統計の学習のための
 書籍\n８－３－４　機械学習に関する書籍\n８－３－５
 　データの可視化に関する書籍\n８－３－６　Pythonの
 使い方に関する書籍\n８－３－７　異常検知に関する
 書籍・Webサイト\n８－３－８　データを使ったビジネ
 ス課題の解決のヒントになる書籍  \n索引    \n参加者同
 士の質問・情報交換\nScribble Osaka Lab（SOL）のSlackワーク
 スペースで、参加者同士の質問・情報共有用チャンネ
 ルを設けております。参加ご希望の方は、申込みフォ
 ームで招待メール送り先のEmailアドレスをお教えくだ
 さい。
LOCATION:オンライン開催
URL:https://techplay.jp/event/932378?utm_medium=referral&utm_source=ics&utm
 _campaign=ics
END:VEVENT
END:VCALENDAR