MLAMLモデルの開発
ある小売企業が500種類の商品の翌30日分の需要を予測するシステムを構築しています。各商品に2年分の日次販売データがあり、季節性や週次トレンドを考慮する必要があります。また、予測値だけでなく信頼区間付きの確率的予測も必要です。商品ごとに個別モデルをトレーニングするのではなく、1つのモデルで全商品をカバーしたいと考えています。どのSageMaker組み込みアルゴリズムが最も適していますか？
AXGBoost：勾配ブースティングで表形式データに強力だが、時系列の順序性を考慮しておらず、複数系列の相互学習や確率的予測の提供も難しい
XGBoostは表形式データに強力ですが、時系列の順序性を考慮せず、複数系列の相互学習や確率的予測（信頼区間）の提供ができません。
BDeepAR：RNN（再帰型ニューラルネットワーク）ベースのアルゴリズムで複数の関連時系列を同時にトレーニングでき、確率的予測（予測分布・信頼区間）も提供する
✓ 正解
DeepARはRNNベースで複数関連時系列を同時にトレーニングでき、商品間の共通パターンを学習します。確率的予測（予測分布・信頼区間）で在庫リスク定量化が可能です。
CLinear Learner：線形回帰を基盤としており、季節性などの非線形パターンや複数時系列の相互依存関係の学習には適していない
Linear Learnerは線形回帰を基盤としており、季節性などの非線形パターンや複数時系列の相互依存関係の学習が困難で、販売予測には不向きです。
DRandom Cut Forest：異常検出・外れ値検出に特化しており、将来の需要予測タスクには適していない
Random Cut Forestは異常検出・外れ値検出に特化し、将来の需要予測タスクには設計されていません。予測モデルとしての機能を提供していません。
解説
DeepAR：RNN（再帰型ニューラルネットワーク）ベースのアルゴリズムで複数の関連時系列を同時にトレーニングでき、確率的予測（予測分布・信頼区間）も提供する
DeepARはAmazonが開発したRNNベースの時系列予測アルゴリズムです。複数の関連時系列を単一モデルで同時にトレーニングでき、商品間の共通パターンを活用します。確率的予測（予測の分布・信頼区間）を提供するため、在庫リスクの定量評価が可能です。季節性やカテゴリ変数（祝日など）のサポートも標準で含まれます。
ドメイン別正答率・予想スコアでリアルタイムに実力把握
無限ノックでMLAを徹底対策。全問AI生成のオリジナル問題。
無料で演習を始める →