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
17 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���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���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��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���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��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��
@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 13 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 13 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、��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。 ��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��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 14 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��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 15 hours ago
商品���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 15 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、��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
porno teen
Seen from
Germany
Ercanhasir
Seen from
Chile
محب المؤخرات 🇲🇦
Seen from
United States
Armani
Seen from
Singapore
صوفي علي
AftermathAI
Rev701
Seen from
United States
.
Seen from
Turkey
ZZ
Seen from
United States
البلدي يوكل
Seen from
Spain
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
✨
⭐
💫