【PyMCで学ぶ】データサイエンスのための実践ベイズ統計モデリング

【ベイズ統計学とは？】

ベイズ統計学とは"あらゆる事象を確率的にとらえ、データの性質や生成過程に基づいてモデルを設計し、データに基づいて答えを出していく"学問です。

ベイズ統計学はその柔軟性から応用範囲が非常に広く、パラメータ推定、統計モデリング、ABテスト、時系列モデル、因果推論など様々な分野に応用されています。またベイズ統計は推論の流れがどのような場合でも同じ手続きを踏むため、一度身に付ければ、非常にシンプルな思考で様々な分析を行う事ができます。また予測の不確実性を出すことができることも特徴の1つです。

【ベイズ統計学の難しさ】

一方で、ベイズ統計には特有の難しさがあります。例えば、機械学習や深層学習と比べると一つ一つ自分の手でモデルを作成する必要がある為、確率分布に関する高度な知識や理解が必要です。これに加えて、ベイズ統計学にまつわる理論は数学的に高度で、抽象的なものも多く、本当に自分が理解できているか雲をつかむような感覚に襲われるかもしれません。またベイズ統計で用いられるMCMCは計算機科学の知識が必要となり、理解するには統計学とはまた異なるバックグラウンドの学問の理解が必要です。このように、ベイズ統計は有用ではあるのですが、入門のハードルが高くまだ世の中一般に広く普及しているとは言えません。

このような現状を打破すべく、過去にベイズ統計やMCMCの原理や仕組みを理解できる講座として、

【PythonとStanで学ぶ】仕組みが分かるベイズ統計学入門

を出しました。この講座によりベイズ統計の仕組みや原理などをしっかり理解する事ができます。

【本講座について】

本講座は上記の講座を修了し、更なるステップアップを目指される方向けの実践講座となっています。この講座では理論編と実践編に大きく分かれています。

理論編

理論編ではまず、確率統計、ベイズ統計学の復習から入り、理論的な基礎を固めます。そして、ベイズ推論の流れ、統計モデル、線形モデル、一般化線形モデルなどの解説を順に行います。この講座ではMCMCに原理について説明はしませんが、より実用上の観点からMCMCの収束や収束後の事後分布の評価、  MCMC以外の手法(ラプラス近似、変分推論)の紹介、Pros / Consの比較を行います。またモデル選択の為のPPC(事後確率予測チェック)や情報量基準などの評価手法についての解説を行います。

実践編

続く実践編では、理論編で解説した内容をPPLを用いて実際に実装していきます。特に、PPL(確率的プログラミング言語)における人気のパッケージとしてPyStanと双璧を成すPyMCを使った実践的なベイズ統計モデリングを学びます。例えば、統計的検定の文脈におけるBayesianABテスト、統計モデルで一般に使われる線形モデル、一般化線形モデル、階層ベイズモデルの実際のモデリングを行います。また、理論編で解説をした、PPCやWAICといった指標の計算も行い、モデル選択も可能となります。また大規模なデータではMCMCが重くなることもあるのでもう1つのパラメータ推定手法としての変分推論も実践していきます。

【人事の方/マネージャークラスの方へ】

本コースは次のような使い方が可能です。

・社内でレベルの高いAI人材を育成したい

・手の動く実践的なデータサイエンススキルを社員に身に付けてもらいたい。

・組織のアナリティクスのケイパビリティを強化したい

【本講座を修了する事で得られるスキル】

・ベイズ統計学の基礎から応用まで含めた体系的な理論知識

・統計モデリングにおいて実務上必要になってくる判断スキル

・PyMCによる実践的な統計モデリングのスキル