Jupyter Notebook Viewer
What you will learn in this tutorial¶ Timeseries analysis using Pandas Using Google Trends to predict market movements Build your own trading strategy using Zipline Common trading strategies: Momentum trading Mean-reversion Different stages towards a successful trading strategy¶ Data analysis / Idea generation Pandas + Matplotlib (Part I) Backtest strategy Pandas can be used but many limitations (
ビジネスにおける「ビッグデータ」「データサイエンス」は要するに「データドリブン」なのでは、というお話 - 渋谷駅前で働くデータサイエンティストのブログ
データドリブン - いまんとこの最適解 ビッグデータといったときに、広義・狭義の定義とは別に「大量のデータを扱う」ということと、「データドリブン（僕はデータに基づいて意思決定、アクションを廻していくという理解です）」が混在しているように思う訳ですね。 これ、物凄くよく分かります。先日の記事でもざっくりぶった斬りましたが、例えばFacebookやYahoo!などのビッグデータを扱うとされる代表的グローバル企業ですら、実際に現場で扱っているのは「ビッグではないデータ」だったりします。そういう意味でいうと、ビッグデータと言った時に「大量のデータを扱う」こととイコールになっているところは恐らく少ないでしょう。 ご指摘の通りで、ほぼ確実に「ビッグデータと言えばデータドリブンのこと」とみなしている企業の方が多数派でしょう。ビッグデータを標榜する企業が実際に期待しているのも、恐らくデータドリブンの方のは
「n日間移動平均」＋「±2σ境界線」をExcelでプロットしてお手軽にKPIの異常値をチェックする（厳密ではないけど） - 渋谷駅前で働くデータサイエンティストのブログ
僕の得意分野は計量時系列分析(Econometric time series analysis)なんですが、実際にソーシャルwebサービス企業でデータ分析に取り組む上ではそんなに細かいことやる必要はない、というかそこまで正確な分析をする前に実務上色々やるべきことがある、ということは結構多いです。 実際のところ、本当は異常値検出・外れ値検出みたいな手法でゴリゴリやりたい（例えばyokkunsさんが提供なさっているRの{ChangeAnomalyDetection}パッケージとか、はたまた{tsDyn}パッケージでも実装されているようなSETARとか、もしくは{MSwM}パッケージでやれるマルコフ状態転換モデルとか）んですが、Rを使ってもらうだけでも一苦労という現場ではそうも言ってられないという実態もあります。 ということで、もう何もかも面倒なのでお手軽に「KPIの上がり下がりを見て『これ凄く
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
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
DataScienceCentral.com - Big Data News and Analysis
ニュース - SNSの投稿やメールから自殺リスクを予測する研究（WIRED.jp）：ITpro