• 第1章　時系列予測が変えるビジネスの未来
  
• 第2章　統計的推測と時系列分析の基礎
  
• 第3章　時系列予測のための数理モデル
  
• 第4章　予測モデルの評価と検証
  
• 第5章　時系列予測事例
  
• 付録A　Python環境構築

• 第1章　時系列予測が変えるビジネスの未来
  • 1.1　私たちは時系列データに囲まれて生きている
  • 1.2　ビジネス時系列分析と予測
    • 1.2.1　振り返り分析：過去から学ぶ
    • 1.2.2　近未来分析：未来を予測する
    • 1.2.3　時系列予測の発展と可能性
  • 1.3　ビジネスを変革した時系列予測事例
    • 1.3.1　マーケティングの高度化：消費者行動の先行指標分析
    • 1.3.2　在庫管理の最適化：需要予測による無駄の削減
    • 1.3.3　部品製造の効率化：多品種少量生産への対応
    • 1.3.4　販促活動の効率化：投資対効果の科学的分析
    • 1.3.5　成功事例から学ぶ実務展開のポイント
  • 1.4　データ活用の3フェーズ：時系列予測の実務活用に向けて
    • 1.4.1　フェーズ1：テーマ設定
    • 1.4.2　フェーズ2：アナリティクス
    • 1.4.3　フェーズ3：ビジネス活用
• 第2章　統計的推測と時系列分析の基礎
  • 2.1　統計的推測の基礎
    • 2.1.1　推定の考え方
    • 2.1.2　点推定と区間推定
    • 2.1.3　推定方法（最尤推定法・最小二乗法・MCMC法）
    • 2.1.4　統計的仮説検定
  • 2.2　よく目にする3つのデータセットタイプ
    • 2.2.1　表形式データ（テーブルデータ）とは
    • 2.2.2　出来事の発生時刻を記録したデータ（点過程データ）
    • 2.2.3　決まった間隔で測定・集計されるデータ（時系列データ）
    • 2.2.4　時系列データの特徴
  • 2.3　時系列データの種類
    • 2.3.1　連続時間データと離散時間データ
    • 2.3.2　単変量時系列と多変量時系列
    • 2.3.3　等間隔データと不等間隔データ
  • 2.4　時系列データの成分分解
    • 2.4.1　趨勢
    • 2.4.2　季節性
    • 2.4.3　周期性
    • 2.4.4　不規則変動
    • 2.4.5　時系列データの成分分解
  • 2.5　自己相関と偏自己相関
    • 2.5.1　自己相関係数の定義と性質
    • 2.5.2　偏自己相関係数の定義と性質
    • 2.5.3　コレログラム分析
  • 2.6　定常性と非定常性
    • 2.6.1　定常過程
    • 2.6.2　非定常過程
    • 2.6.3　定常性の検定
    • 2.6.4　定常化の手法
    • 2.6.5　実践的な応用例
  • 2.7　周期期間の検討方法
    • 2.7.1　自己相関分析による周期期間の検討
    • 2.7.2　スペクトル解析による周期の検討
  • 2.8　相互相関とインパルス応答関数
    • 2.8.1　多変量時系列データと時系列回帰
    • 2.8.2　相互相関係数
    • 2.8.3　インパルス応答関数
    • 2.8.4　グレンジャー因果とその検定
  • 2.9　時系列データの欠損処理
    • 2.9.1　欠損データとは
    • 2.9.2　欠損データの補間手法
    • 2.9.3　実践例
    • 2.9.4　欠損処理の注意点
• 第3章　時系列予測のための数理モデル
  • 3.1　統計モデルとは
  • 3.2　ARIMA系モデル
    • 3.2.1　基礎モデル
    • 3.2.2　AutoARIMA（自動ARIMA）
  • 3.3　時系列回帰の数理モデル
    • 3.3.1　時系列回帰モデルとは
    • 3.3.2　見せかけの回帰問題
    • 3.3.3　外生変数の種類
    • 3.3.4　外生変数の制御と予測
    • 3.3.5　時系列特徴量
    • 3.3.6　テーブルデータ系数理モデルによる時系列予測
    • 3.3.7　1期先予測と複数先予測
  • 3.4　ARIMA系の時系列回帰モデル
    • 3.4.1　ARIMAXモデル
    • 3.4.2　RegARIMAモデル
  • 3.5　状態空間モデル
    • 3.5.1　状態空間モデルとは？
    • 3.5.2　基本的な線形状態空間モデル
    • 3.5.3　Pythonでの実装例
  • 3.6　ベイズ時系列モデル
    • 3.6.1　Prophetによるベイズ時系列モデル
    • 3.6.2　PyMCによるベイズ時系列モデル
• 第4章　予測モデルの評価と検証
  • 4.1　予測精度の評価指標
    • 4.1.1　平均絶対誤差MAE
    • 4.1.2　平均二乗誤差MSE
    • 4.1.3　二乗平均平方根誤差RMSE
    • 4.1.4　平均絶対パーセント誤差MAPE
    • 4.1.5　決定係数R^2
  • 4.2　ホールドアウト法と時系列データ
    • 4.2.1　ホールドアウト法とは
    • 4.2.2　時系列ホールドアウト法
    • 4.2.3　Pythonによる実装例
  • 4.3　時系列のクロスバリデーション方法
    • 4.3.1　通常のクロスバリデーション
    • 4.3.2　時系列クロスバリデーション法
    • 4.3.3　ホールドアウト×クロスバリデーション
  • 4.4　残差分析によるモデル診断
    • 4.4.1　残差分析とは
    • 4.4.2　実施タイミング
    • 4.4.3　残差を視覚的に確認
    • 4.4.4　モデル診断に用いられる統計的手法
    • 4.4.5　残差を用いたモデル改善の考え方
  • 4.5　予測区間の算出
    • 4.5.1　従来の予測区間算出手法
    • 4.5.2　コンフォーマル予測の基本原理
    • 4.5.3　時系列コンフォーマル予測
    • 4.5.4　Pythonによる実装例
• 第5章　時系列予測事例
  • 5.1　時系列予測と数理最適化の融合
    • 5.1.1　時系列予測のメリットと限界
    • 5.1.2　数理最適化との融合事例
    • 5.1.3　2つの融合アプローチ
  • 5.2　数理最適化問題・速習超入門
    • 5.2.1　数理最適化とは
    • 5.2.2　数理最適化モデリングの進め方
    • 5.2.3　数理最適化ライブラリとその使い方
  • 5.3　Python実装事例（需要予測と在庫最適化）
    • 5.3.1　事例の概要
    • 5.3.2　需要予測モデルの作り方の検討と予測の実施
    • 5.3.3　需要予測結果を使った在庫最適化
• 付録　Python環境構築
  • A.1　Miniforgeとは？
  • A.2　Miniforgeのインストール手順（Windows向け）
  • A.3　仮想環境を使ったライブラリのセットアップ
    • A.3.1　仮想環境の作成と使用
    • A.3.2　仮想環境へのライブラリのインストール
  • A.4　JupyterLabのインストールと設定
    • A.4.1　JupyterLabのインストールと起動
    • A.4.2　便利な拡張機能（任意）
  • A.5　仮想環境を使って複数プロジェクトを管理しよう
    • A.5.1　仮想環境の一覧表示・削除・コピー
    • A.5.2　仮想環境のエクスポート・インポート

以下を展開するとNotebook(実行例)を見ることができます。ただし、乱数の影響で書籍と実行結果が異なることがございます。
また、書籍で利用するCSVファイルはこちらをクリックするとダウンロードできます。

Notebook形式のPythonファイルおよびCSVファイルが必要な方は、以下から申し込みください。

お名前 ※
メールアドレス ※

【個人情報の取り扱いについて】
株式会社セールスアナリティクスは、本申し込みにおいてお預りした
お客さまの個人情報を当社が定める「プライバシーポリシー」に従い
適性に管理します。

<個人情報の利用目的>
・各種サービスのご提供・ご本人確認・当社セミナーに関するご案内
・当社が発行するメールマガジン・DM・その他のお知らせの送付

※メルマガが配信されますが、不要の方は配信されたメルマガから解除できます