[R] 非ガウシアン状態空間対応パッケージ, KFAS の使い方 - ill-identified diary
概要 まだ日本語情報の少ない KFAS を一連の状態空間モデルネタの続きとして紹介する. KFAS には一番良く使われている dlm パッケージよりも優れた点がいくつもある. 前回のように, パッケージの理念・構文・具体例を用いた実験を順に紹介していく. 状態空間モデルを扱う Rパッケージの中では dlm が最も有名だが, これは名前の示すように動的線形モデル dynamic linear model, すなわちノイズが正規分布になる, ガウシアン線形状態空間モデルしか扱うことができない. これに対して KFAS の長所はいくつもあり, 特に正規分布いがいの分布も扱うことができるという点は特筆すべきである. なお, KFAS を日本語で紹介している文献は, 伊東先生の発表スライド, Rパッケージ“KFAS”を使った時系列データの解析方法 from Hiroki Itô 伊東 (2017,
![[R] 非ガウシアン状態空間対応パッケージ, KFAS の使い方 - ill-identified diary](https://cdn-ak-scissors.b.st-hatena.com/image/square/55dde84011f89d2bb3b373c108a980d209ee20e8/height=288;version=1;width=512/https%3A%2F%2Fcdn-ak.f.st-hatena.com%2Fimages%2Ffotolife%2Fi%2Fill-identified%2F20180811%2F20180811000928.png)
情報系の人が株をやってみたくなった時にまず読むべき10冊 - ペリャウドの日
情報系の学生さんなどが株をやってみたくなるというのはTLを見ていてもよくあることだと思います。 しかし、情報系の方が予備知識なく株や為替の取引に手を出そうとすると、ついつい時系列データをニューラルネットワークにぶちこんで予測をはじめたりなど、気がつけばコンピュータ占星術の世界に突入してしまうことが多いようです。 教授が、「株をやりたいんだったらまず10冊本を読んでください。読み終わったら好きにやってもいいです。」と言っていましたが本当にそのとおりです。それに、プログラマなんだから、車輪の再発明は避けたいです。 そこで今日は皆さんが占星術の誘惑を跳ね除け、株投資をはじめるまでに読むべき10冊をピックアップしました。 ウォール街のランダム・ウォーカー ウォール街のランダム・ウォーカー <原著第10版>―株式投資の不滅の真理 作者: バートン・マルキール,井手正介出版社/メーカー: 日本経済新聞
VAEと時系列を扱うVRAE - 日記マン
Google日英翻訳がNMT(ニューラルネットワークを利用した翻訳モデル)になったらしいです。 文語ベースでバリバリ翻訳してくれてるみたいで、 単語にマウスオーバー当てても単語間の対応関係がわからなくなったのはさみしいけど、 たしかに精度がよくなったような、そんな気がするぜ。 というわけで英語論文めっちゃ読んだろ。。 VAEで何かしたいなーと思ってて、時系列を扱えるVRAE周りを調べました。 Variational AutoEncoder Variational AutoEncoderをついにしっかり理解できた気がする。 はっつーさんのkeras実装ブログがとても勉強になりました。 有難うございます。 ralo23.hatenablog.com Variational AutoEncoderについてまとめたスライドを作りました。 Variational AutoEncoder from K
二つの時系列データの間に「差」があるか判断するには - StatModeling Memorandum
詳しい経緯はこのまとめを参照してください。時間軸でぶった切って各時点で検定を使う手法は、百歩譲って「差があるかどうか」は判定できるかもしれないけど、「どれほど異なるのか」については何も言えない。「どの時刻から異なるか」についても言えるか分からない。そこでベイズ統計モデリングで判断しようと思います。ベイズ統計モデリングでは多くの事前知識を仮定としてモデルに組み込みますが、検定も多くの仮定を前提にしている点は同様と思います。 データは雰囲気だけ似せて自作しました。野生型100個体、変異体10個体で1～24まで1時間ずつ測定して24時点としました。まとめを見ると144時間みたいですが24時間に簡略化します。データの構成は以下です。 typeX1X2…X23X2400.0710.555…-0.236-0.59700.4450.483…-0.1490.23100.2250.764…-0.116-0.
Dynamic Time Warping による時系列データの類似度計算 - y_uti のブログ
台風の経路情報を題材にして、Dynamic Time Warping (DTW) を用いた時系列データの類似度の計算を試してみます。DTW は二つの時系列データの類似度を測る方法の一つで、英語版の Wikipedia に簡単な説明と実装例があります。 Dynamic time warping - Wikipedia, the free encyclopedia 過去の台風の経路情報は、各国の機関によって公表されているようです。たとえば、気象庁のデータや、米軍の Joint Typhoon Warning Center (JTWC) という機関のデータが、それぞれ以下のウェブページで公表されています。 気象庁｜過去の台風資料 Joint Typhoon Warning Center (JTWC) これらのデータは各機関が独自の観測によって取得したもので、同一の台風を表す情報でも少しずつ数値が
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
Prophet入門【理論編】Facebookの時系列予測ツール
