Home
Language
English
Türkçe
Bahasa Indonesia
About
Privacy Policy
Terms of Service
Pricing
Sign In
Download All
Share
イチロー
@SalesAnalyticsJ
ビジネス系DS ◆ 宣伝 ◆ (講座12/5,15) Python需要予測エージェント
日本
Joined November 2017
2.1K
Following
3.1K
Followers
7.4K
Posts
Pinned Tweet
イチロー
@SalesAnalyticsJ
8 days ago
【月1 特定テーマ講座(12月)】 需要予測エージェントを作る(需要予測 × PYTHON × 生成AI) 【開催日時】 全2回(土)2026/12/5,12/19(13:30〜18:00) 【受講形式】 当日Zoom( or 復習用に後日動画視聴) 【参加費用】 2万2千円(税込み)/人 https://t.co/3WFnXYW1aK
イチロー
@SalesAnalyticsJ
10 minutes ago
データサイエンティストのポートフォリオ。モデルの精度に加えて、誰の仕事がどう変わるかも示してみませんか。 予測アプリや、作業時間を減らすAIの仕組み。学んだ技術を業務の成果につなげる視点を紹介しています。 https://t.co/AYqlDDjG6D
イチロー
@SalesAnalyticsJ
about 1 hour ago
同じクーポンでも、顧客によって購入を後押しする度合いは違うかもしれません。 アップリフト分析では、顧客の特徴ごとに施策の増分効果を推定します。購入履歴などを使ったPythonの例で、仕組みを確認してみませんか。 https://t.co/fKVahHZD0X
イチロー
@SalesAnalyticsJ
about 12 hours ago
顧客アンケートの空欄と、週次売上の欠損。同じ方法で埋めてよいのでしょうか。 時間順のデータでは、前後の値や流れにも注目したいところ。「欠損値処理 超入門」では、時系列の補完も含めて全5回で解説しています。 https://t.co/wMp6Zg6Wo9
Who to follow
ココナツ@データサイエンス
@kokonatsu2214
旧帝院卒→ヘルスケア研究→データサイエンティスト|JTC製造業|ミドサー2児パパ|取得済資格→G検定・E資格・統計検定2級・準1級・基本情報・応用情報|TOEIC LR 890|Kaggle Expert🥈×2🥉×4 all solo|本業と副業で稼ぐ人|米国株投資|データサイエンスやキャリアについて呟きます
まい.
@nnql_nnql2pnt
データサイエンス関連のお仕事。AIcia Solid Project編集担当(→@AIcia_Solid)。趣味で初学者向け大学数学の資料を投稿してます。今は「機械学習のための数学入門」(休止中)。修士まで数学専攻。統計2級/数検1級/E資格 取得。いつか本を書きたい。noteは資料の保管庫&思ったことつらつら
ぬるったん @データサイエンティストのキャリア発信
@Nurruttan
元データサイエンティスト|現CAIO勤務|データ・AI活用を推進| データ・AI人材のキャリアについて幅広く発信。 YouTube →https://t.co/8MhBby9BZg note →https://t.co/IUDB0NiLCN お仕事の依頼はDMからお願いします
イチロー
@SalesAnalyticsJ
about 12 hours ago
企業事例で分析と生成AIを学ぶ「ビジネスデータサイエンス・ラボ」。2027年1月1日開講。 創設会員は月額3,300円(税込・初回から12回分)、以降5,500円。先着100名、申込期限は2027年1月31日です。 https://t.co/TAhMVVKAzr
イチロー
@SalesAnalyticsJ
about 12 hours ago
生成AIで分析作業を自動化しても、担当者が結果を理解できる状態は残しておきたいです。 おかしな数字に気づけるか。 必要なときに手作業へ戻せるか。 データサイエンティストが作る仕組みとして、「任せやすさ」と「確かめやすさ」を一緒に考えるのも面白そうですね。
イチロー
@SalesAnalyticsJ
about 13 hours ago
変化点検出で、期待した変化が見つからない。設定が目的に合っていないのかも。 平均・トレンド・分散では、探したい変化が異なります。Pythonのrupturesを題材に、検出アルゴリズムとコスト関数の役割を整理できます。 https://t.co/8VMCnjkFdp
イチロー
@SalesAnalyticsJ
about 13 hours ago
生成AIの売上コメントに誤りがあったら、「もう一度」だけで頼み直していませんか。 前回の回答と、どこが違うかを添えて再依頼する方法があります。Pythonで検証し、修正後も再確認する処理を紹介しています。 https://t.co/4qFGmqwcjR
イチロー
@SalesAnalyticsJ
about 13 hours ago
広告費と売上のクロス相関で、複数の日数に高い値が並ぶ。広告が長く効いているのでしょうか。 広告費自体の自己相関が、山を広げている可能性も。「事前白色化」で時間のずれを探りやすくする方法を学べます。 https://t.co/HqtMzCtOvs
イチロー
@SalesAnalyticsJ
about 13 hours ago
データ分析のゴールを 「未来を当てる」 だけではなく、 「何を変えれば、未来が変わるのか」 まで広げてみる。 すると、 予測とは少し違う世界が見えてきます。 広告を増やしたら? 価格を変えたら? 施策をやめたら? そんな「もし〜したら」を データから考えるための考え方が因果推論です。 予測の次に何を学ぼうか迷っている人にも、 面白いテーマだと思います。 『よくわかる因果推論』 https://t.co/Y4foxUc09Y
イチロー
@SalesAnalyticsJ
about 13 hours ago
欠損値を埋めるとき、「もともと空欄だった」という目印も残してみませんか。 未回答や未記録そのものが、予測の手がかりになる場合があります。補完方法の比較とあわせて、欠損フラグを加える工夫を紹介しています。 https://t.co/ZX0UEqxsCe
イチロー
@SalesAnalyticsJ
about 13 hours ago
売上予測の準備で、欠損を「次の週の値」で埋めていませんか。 その値は、予測する時点で分かっていたでしょうか。前後を結ぶ線形補間でも同じ確認が必要です。時系列の補完方法と、未来の情報を使う際の注意点を学べます。 https://t.co/ugQerGYChJ
イチロー
@SalesAnalyticsJ
about 13 hours ago
機械学習の特徴量選択には、フィルター法、ラッパー法、埋め込み法という3つの基本的な考え方があります。 それぞれの違いとPythonでの実装方法を、住宅価格データを使って比較しています。 https://t.co/CUB5rnm2ic
イチロー
@SalesAnalyticsJ
about 13 hours ago
欠損値を全体の中央値で埋めると、特定のグループには高すぎる値になるかもしれません。 客室クラスなど、条件の近い人たちの代表値を使う方法もあります。全体で埋める場合との違いを、タイタニックの運賃データで紹介します。 https://t.co/dBOChAi9aK
イチロー
@SalesAnalyticsJ
about 13 hours ago
欠損のある行を消せば、人数が減る。項目ごと消せば、使える情報の種類が減る。 どちらの損失を許容できるかは、分析の目的次第です。欠損値処理で迷いやすい「行の削除」と「列の削除」の考え方を整理してみませんか。 https://t.co/t3rryiRQ4A
イチロー
@SalesAnalyticsJ
about 13 hours ago
欠損値のMCAR・MAR・MNAR。まずは「欠け方の違い」として捉えてみませんか。 完全に偶然なのか、観測済みの情報で説明できるのか、それでも欠けた値に依存するのか。アンケートの例を使い、コードなしで基本を整理できます。 https://t.co/4jIfJrsX6f
イチロー
@SalesAnalyticsJ
about 14 hours ago
「Aをしている人ほど、成果が高い」 データを見ると、 こういう関係はよく見つかります。 でも、 成果が高い人だからAをしているのか。 Aをしたから成果が高くなったのか。 別の要因が両方に影響しているのか。 ここを区別するのは意外と難しい。 因果推論を学ぶと、 データを見た瞬間に結論を出さなくなるかもしれません。 『よくわかる因果推論』 https://t.co/Y4foxUbskq
イチロー
@SalesAnalyticsJ
about 14 hours ago
時系列予測でモデルを作った。 精度も悪くない。 そこで終わりにしたくなりますが、 実はそのあとも重要です。 予測と実績の差に 何かパターンは残っていないか。 特定の季節だけ 外していないか。 残差を眺めると、 モデルがまだ捉えられていないものが 見えてくることがあります。 予測モデルは、 作って終わりではない。 https://t.co/qeBeXuyj33
イチロー
@SalesAnalyticsJ
about 14 hours ago
時系列データの特徴を調べるときに役立つ「自己相関」と「相互相関」。 過去の自分との類似性を見るのが自己相関、別の時系列との類似性を見るのが相互相関です。Pythonによる求め方を解説しています。 https://t.co/KLjxAPMPgs
イチロー
@SalesAnalyticsJ
about 14 hours ago
商品の価格は、なめらかにつなげればよいとは限りません。 価格変更日だけ記録するデータを線形補間すると、販売していない価格が生まれることも。次の変更まで同じ値を保つ前方補完との違いを、Pythonで学べます。 https://t.co/YFMYpdcPrL
イチロー
@SalesAnalyticsJ
about 14 hours ago
AIを使った分析ツールを作ったのに、現場では以前のExcelが使われている。 そんなときは、「Excelのどこが便利ですか?」と聞いてみたいです。 書き込みやすい、隣の人に渡しやすいなど、理由があるのかも。データサイエンティストの改善案は、そこから具体的になりそうですね。
Last Seen Users on Sotwe
Herald of The Abyss
Seen from
United States
ชื่นชอบสาวใหญ่
Seen from
Thailand
YERLİ VİDEO
Seen from
Turkey
Sandi Man 53
Seen from
Saudi Arabia
Furkan
Seen from
Turkey
April 🍉
Seen from
United States
arya
Seen from
United States
jc alpad
Seen from
Indonesia
amin
Seen from
Vietnam
spictt
Seen from
Egypt
Trends for you
1
Ravens
Under 10K tweets
2
#WWERaw
Under 10K tweets
3
Bond
Under 10K tweets
4
Justin Herbert
Under 10K tweets
5
Jacoby Brissett
Under 10K tweets
6
United Airlines
Under 10K tweets
7
LA Knight
Under 10K tweets
8
Tre Harris
Under 10K tweets
9
Diet Coke
Under 10K tweets
10
Garza
Under 10K tweets
Most Popular Users
1
Elon Musk
@elonmusk
240.7M followers
2
Barack Obama
@barackobama
118.7M followers
3
Cristiano Ronaldo
@cristiano
114.5M followers
4
Donald J. Trump
@realdonaldtrump
111.9M followers
5
Narendra Modi
@narendramodi
107M followers
6
Rihanna
@rihanna
98.7M followers
7
NASA
@nasa
92.2M followers
8
Justin Bieber
@justinbieber
91.8M followers
9
KATY PERRY
@katyperry
90M followers
10
Taylor Swift
@taylorswift13
84M followers
11
Lady Gaga
@ladygaga
75.5M followers
12
Virat Kohli
@imvkohli
73.4M followers
13
Kim Kardashian
@kimkardashian
70.8M followers
14
YouTube
@youtube
68.7M followers
15
Neymar Jr
@neymarjr
66.4M followers
16
Bill Gates
@billgates
65.2M followers
17
Selena Gomez
@selenagomez
63.1M followers
18
The Ellen Show
@theellenshow
62.1M followers
19
CNN
@cnn
61.7M followers
20
X
@x
60.6M followers
Olivia
Online
✨
⭐
💫