ディープラーニングによる時系列データ予測モデルの問題点を解消する
現場のAIエンジニアから学ぶ「時系列データの予測モデルの作り方」 第4回
本稿では、NTTテクノクロスでAIエンジニアとして活躍する筆者が、実際にどのようなことを行っていて、どのような苦労があるのかを、実際に動かして試せる「時系列データの予測モデル作成」の題材を通して、4回にわたってお伝えします。最終回となる今回は、これまでに作成した予測モデルを振り返り、時系列データを用いた予測モデルを作成する際に起きやすい問題とその対応方法をお伝えいたします。（編集部）
※印刷用ページ表示機能はメンバーのみが利用可能です（登録無料）。
この記事は参考になりましたか？
- 現場のAIエンジニアから学ぶ「時系列データの予測モデルの作り方」連載記事一覧
-
- ディープラーニングによる時系列データ予測モデルの問題点を解消する
- ディープラーニングによる時系列データ予測モデル――精度を高める2つの方法とは？
- AIサービスの開発に求められる予測性能以外のこととは？データ粒度の詳細化を例に学ぶ
- この記事の著者
-
阪本 正樹（NTTテクノクロス）（サカモト マサキ）
NTTテクノクロス株式会社 IoTイノベーション事業部 第一ビジネスユニット所属。NTT研究所内でのビッグデータ活用の研究開発に従事し、2012年から顧客企業でのビッグデータ活用、AI技術活用に取組む。NTTテクノクロスでは人にやさしい「みらい」を作るAIファースト活動を拡大中。
※プロフィールは、執筆時点、または直近の記事の寄稿時点での内容です
