- ご案内
- １．予測理論
- 状態空間モデルをStanで推定するときの収束を良くするコツ
- R言語における日本の祝日判定
- Stanで推定する多変量時系列モデル
- 時系列分析のためのブックガイド
- KFASの使い方
- Stanによる統計モデル：推測統計の基本から時系列分析まで
- 機械学習による時系列予測
- サポートベクトルマシンの考え方
- ニューラルネットワークの考え方
- 予測の評価方法：誤差の指標とナイーブな予測
- 時系列データへの回帰分析
- カルマンフィルタと最尤法
- カルマンフィルタの考え方
- Rによる機械学習：caretパッケージの使い方
- カオス時系列の基礎とニューラルネットワーク
- 機械学習とは何か
- 状態空間モデルの推定方法の分類
- dlmによる時変係数モデル
- ”慣れ”の統計モデリング：Stanで推定する時変係数モデル
- Stanで推定するローカルレベルモデル
- Stanによるベイズ推定の基礎
- ベイズとMCMCと統計モデルの関係
- ベイズと統計モデルの関係
- ベイズ統計学基礎
- なぜ状態空間モデルを使うのか
- 予測理論とpredictability
- 非線形もOKな相関係数：MIC
- 季節とトレンド
- ローカルレベルモデル
- dlmの使い方
- 状態空間モデル
- VARモデル
- 時系列分析_実践編
- 時系列解析_ホワイトノイズとランダムウォーク
- 統計勉強会の資料～二日目 一般化線形モデル編～
- 統計勉強会の資料～一日目 正規線形モデル編～
- 時系列解析_理論編
- 平滑化スプラインと加法モデル
- 重回帰分析
- モデル選択_実践編
- モデル選択_理論編
- 単回帰
- 予測の話
- その他
- ベイズ統計学
- 回帰分析
- 時系列分析
- 機械学習
- 状態空間モデル
- ２．統計学基礎
- 統計学の講義資料(2022年度)
- 統計学 計算ノート
- 分散分析の基礎
- 主成分分析の考え方
- t検定の考え方
- カイ二乗検定
- 情報理論の基礎～情報量の定義から相対エントロピー、相互情報量まで～
- 掛け算・割り算・分数の割り算の考え方
- ベイズ統計学の文献（追記あり）
- 統計的仮説検定の基礎
- 推定の基礎
- 確率密度関数と正規分布
- 確率分布と確率変数の基礎
- 記述統計の基礎
- 統計学はどのような考え方で問題を解決するか
- 統計学とは何か
- 3章 Rの簡単な使い方
- 2章 t検定（数式あり）
- 1章 t検定（数式なし）
- 第1部 統計学の基礎と検定の考え方
- 平均・分散から始める一般化線形モデル入門：本文
- 平均・分散から始める一般化線形モデル入門：サポートページ
- 水産資源解析の勉強法
- データ分析入門
- 平均・分散から始める一般化線形モデル入門
- 数学基礎
- 書評
- 理論から始める確率・統計
- ３．魚の話
- ４．Python
- エントロピーモデルを応用した、価格による需要調整とPythonによる実装
- Visual StudioとFlaskで作る書籍管理アプリ：書籍管理機能の実装
- Visual StudioとFlaskで作る書籍管理アプリ：ログイン機能の実装
- Visual StudioとFlaskで作る書籍管理アプリ：外枠を作る
- SQLiteとDB Browser for SQLiteを使ってデータベースを構築する
- Visual StudioとFlaskで作る書籍管理アプリ：概要
- Visual StudioのFlaskプロジェクトの活用
- Visual Studioを使ったFlaskアプリ開発の基本
- Visual Studioで作ってみたFlaskアプリ
- Pythonによる状態空間モデル
- Pythonによる時系列分析の基礎
- Python+Visual Studioで簡単アプリ開発
- Pythonの簡単な使い方：環境構築～データ読み込み～図示・モデル化
- 初めてのPython機械学習
- Pythonデータ分析
- アプリ開発
- ５．データ分析と株式投資
- ６．計量社会科学
- ９９．情報
