Pythonで学ぶ実験計画法入門　ベイズ最適化によるデータ解析(KS情報科学専門書) [単行本]

Pythonで学ぶ実験計画法入門　ベイズ最適化によるデータ解析(KS情報科学専門書) の 商品概要

• 目次

  第1章　データ解析や機械学習を活用した分子設計・材料設計・プロセス設計・プロセス管理
  1.1　ケモ・マテリアルズ・プロセスインフォマティクス
  1.2　分子設計
  1.3　材料設計
  1.4　なぜベイズ最適化が必要か
  1.5　プロセス設計
  1.6　プロセス管理
  1.7　データ解析・人工知能（モデル）の本質
  
  第2章　実験計画法
  2.1　なぜ実験計画法か
  2.2　実験計画法とは
  2.3　適応的実験計画法
  2.4　必要となる手法・技術
  
  第3章　データ解析や回帰分析の手法
  3.1　データセットの表現
  3.2　ヒストグラム・散布図の確認
  3.3　統計量の確認
  3.4　特徴量の標準化
  3.5　最小二乗法による線形重回帰分析
  3.6　回帰モデルの推定性能の評価
  3.7　非線形重回帰分析
  3.8　決定木
  3.9　ランダムフォレスト
  3.10　サポートベクター回帰
  3.11　ガウス過程回帰
  
  第4章　モデルの適用範囲
  4.1　モデルの適用範囲とは
  4.2　データ密度
  4.3　アンサンブル学習
  
  第5章　実験計画法・適応的実験計画法の実践
  5.1　実験候補の生成
  5.2　実験候補の選択
  5.3　次の実験候補の選択
  5.4　ベイズ最適化
  5.5　化学構造を扱うときはどうするか
  
  第6章　応用事例
  6.1　複雑な非線形関数を用いた実験計画法・適応的実験計画法の実践
  6.2　分子設計
  6.3　材料設計
  6.4　プロセス設計
  
  第7章　さらなる深みを目指すために
  7.1　Gaussian Mixture Regression（GMR）
  7.2　GMR-Based Optimization（GMRBO）（GMRに基づく適応的実験計画法）
  7.3　複雑な非線形関数を用いたGMRBOの検証
  
  第8章　数学の基礎・Anaconda・Spyder
  8.1　行列やベクトルの表現・転置行列・逆行列・固有値分解
  8.2　最尤推定法・正規分布
  8.3　確率・同時確率・条件付き確率・確率の乗法定理
  8.4　AnacondaとRDKitのインストール・Spyderの使い方

• 出版社からのコメント

  ベイズ最適化とＰｙｔｈｏｎを駆使して効率よくデータ収集する。データ解析の初歩から応用事例まで、絶対に役立つスキルが身につく！

• 内容紹介

  ★ 実験を効率化する強い味方 ★
  
  もう実験で疲弊しない。次に試す実験条件は、データと統計学が教えてくれる！
  ベイズ最適化とPythonを駆使して、効率よく研究・開発を進めよう！
  《すぐに試せるサンプルデータセット・サンプルコード付き》
  
  ■ データ解析の初歩から、モデルの設計、実践的な応用事例までを導く。
  ■ 実験時間や人数が限られる今、絶対に役立つスキルが身につく！
  ■ 入門書であり、実践書。フルカラー！
  
  【目次】
  第1章　データ解析や機械学習を活用した分子設計・材料設計・プロセス設計・プロセス管理
  ・ケモ・マテリアルズ・プロセスインフォマティクス
  ・分子設計
  ・材料設計
  ・なぜベイズ最適化が必要か
  ・プロセス設計
  ・プロセス管理
  ・データ解析・人工知能（モデル）の本質
  
  第2章　実験計画法
  ・なぜ実験計画法か
  ・実験計画法とは
  ・適応的実験計画法
  ・必要となる手法・技術
  
  第3章　データ解析や回帰分析の手法
  ・データセットの表現
  ・ヒストグラム・散布図の確認
  ・統計量の確認
  ・特徴量の標準化
  ・最小二乗法による線形重回帰分析
  ・回帰モデルの推定性能の評価
  ・非線形重回帰分析
  ・決定木
  ・ランダムフォレスト
  ・サポートベクター回帰
  ・ガウス過程回帰
  
  第4章　モデルの適用範囲
  ・モデルの適用範囲とは
  ・データ密度
  ・アンサンブル学習
  
  第5章　実験計画法・適応的実験計画法の実践
  ・実験候補の生成
  ・実験候補の選択
  ・次の実験候補の選択
  ・ベイズ最適化
  ・化学構造を扱うときはどうするか
  
  第6章　応用事例
  ・複雑な非線形関数を用いた実験計画法・適応的実験計画法の実践
  ・分子設計
  ・材料設計
  ・プロセス設計
  
  第7章　さらなる深みを目指すために
  ・Gaussian Mixture Regression（GMR）
  ・GMR-Based Optimization（GMRBO）（GMRに基づく適応的実験計画法）
  ・複雑な非線形関数を用いたGMRBOの検証
  
  第8章　数学の基礎・Anaconda・Spyder
  ・行列やベクトルの表現・転置行列・逆行列・固有値分解
  ・最尤推定法・正規分布
  ・確率・同時確率・条件付き確率・確率の乗法定理
  ・AnacondaとRDKitのインストール・Spyderの使い方

• 著者について

  金子 弘昌 (カネコ ヒロマサ)
  明治大学理工学部応用化学科教授。
  2011年に東京大学大学院工学系研究科化学システム工学専攻博士課程を修了。博士（工学）。東京大学大学院工学系研究科助教を経て、2017年より現職。広島大学大学院先進理工系科学研究科客員教授（併任）、大阪大学大学院基礎工学研究科招聘教授（併任）、理化学研究所客員主幹研究員（併任）、データケミカル株式会社最高技術責任者／CTO（併任）。著書に『化学のための Pythonによるデータ解析・機械学習入門』（オーム社）、『Pythonで気軽に化学・化学工学』（丸善出版）。

Pythonで学ぶ実験計画法入門　ベイズ最適化によるデータ解析(KS情報科学専門書) の商品スペック