先週の第四十九回は、ワクチン接種と重なったため受講できませんでしたので、2週間ぶりです。
セッション
Amazon Forecast
講師：アマゾン ウェブ サービス ジャパン、シニアエバンジェリスト 亀田氏
Amazon Forecast
- 時系列データの予測サービス
- Amazon.com の20年の経験
- 6種類のアルゴリズム
- 1,000以上の時系列データに置いて、深層学習で制度50%向上
- 用語
時系列データの予測の問題
時系列予測の従来の課題
- 季節性
- 商品の特徴、メタデータの扱いできない
- 価格、祝日、プロモーションなどの関連データを組み込めない
- 過去データがないもの
Forecast のワークフロー概要
- S3 に CSV 準備
必要ならGlueなどで正規化 - データセットグループの作成
- Schemaの定義
- データセットの作成
- 各種データのインポート
- 予測子の作成
トレーニングが実行されモデルが作成される - 予測子の評価
1年分のデータのうち、10ヶ月を学習して、2ヶ月を評価に使ったり - 予測の作成
データセットドメイン
- TARGET_TIME_SERIES
- すべてのドメインで必須
- 予測フィールドは最大10個指定することができる
- RELATED_TIME_SERIES
- 時間を補足するデータ
- 天気とか、キャンペーンをしてたとか
- 最大13個指定することができる
- 増やす場合は、データ量もたくさんいる
- 予測したい期間も含めて、未来の時系列も入れる
- 1ヶ月後の天気とか、わかりにくいのを使うとブレる
- キャンペーンとかは精度が高くなる
- 時間を補足するデータ
- ITEM_METADATA
予測子の作成 トレーニング
- 予測頻度
- 分、時間、日、週、月、年
- 予測期間
- 予測する期間、ステップ数
- 投入データの1/3か500の小さい方になる
- アルゴリズム
- ARIMA, CNN-QR, ETS, NPTS, Proghet, DeepAR+
- コレ以外は SageMaker で
- SageMaker のほうがなんでもできるけど時間はかかる
- ARIMA, CNN-QR, ETS, NPTS, Proghet, DeepAR+
アルゴリズム
- ARIMA : 自己回帰和文移動平均
- 定常性がある波打つ動きを平均化する
- キャンペーンとかのスパイクはノイズ
- ETS : 指数平滑法
- ARIMA と逆に変動性に重きを置く
- 加重平均で計算
- NPTS : ノンパラメトリック時系列
- サンプリングで動作
- すべてのデータではなく定点観測して動く（GAとかも定点観測）
- Prophet : ベイズ構造時系列モデル
- 詳細なデータの取扱が得意
- CNN-QR : 畳み込みニューラルネットワーク-分位回帰
- What-if 分析に利用可能
- DeepAR+ : 再帰型ニュートラルネットワーク
- DeepLearning
- What-if 分析に利用可能
AutoML
所感
機械学習全然わからん...
という私のような状況でも、時系列予測ができそうということはわかりました。
