データ科学に基づく化学・産業データ解析のすすめ方・使い方

材料の機能予測・構造設計および
プロセス設計・管理へのデータ科学応用

★ 実験結果や製品開発で得られたデータを十分に活用できていないとお考えの方へ！ データの前処理・回帰分析のすすめ方からモデルの逆解析まで、基礎からわかりやすく解説！
★ ケモインフォマティクス・プロセスインフォマティクス分野における豊富な応用事例も紹介します！

講師

明治大学 理工学部　専任講師　博士(工学)　金子 弘昌 先生

受講料

1名46,440円(税込（消費税8％）、資料・昼食付)
＊1社2名以上同時申込の場合 、1名につき35,640円
＊学校法人割引 ；学生、教員のご参加は受講料50％割引。

セミナーポイント

　近年、化学・産業においてデータを解析する動きが活発になっている。しかし、実験室でフラスコを振って得られた実験の結果、医薬品などの新しい製品をつくるのに成功・失敗した結果や、工場でさまざまな製品をつくるときのデータなど、データは蓄積されているにもかかわらず、十分に活用しきれていない状況も存在する。宝の持ち腐れである。
　本セミナーでは、そのような化学・産業データの使い方・解析の仕方を基礎から解説する。データ科学に基づき、データから種々の材料の機能を予測するモデルを構築したり、構築したモデルを活用することで新たな構造を設計したりする方法である。さらに、ケモインフォマティクス・プロセスインフォマティクス分野を中心にして豊富な応用事例も説明する。

○ 受講対象：
　・ケモインフォマティクス・プロセスインフォマティクス・データ解析・機械学習・
　　マテリアルズインフォマティクスに関心のある方
　・分子設計・材料設計・プロセス設計・プロセス管理に関心のある方
　・ビッグデータ・人工知能に関心のある方
　・ケモインフォマティクス・プロセスインフォマティクス分野の
　　最新の研究事例について知りたい方
　・社内や自分でデータはもっているが、データの活用の仕方・扱い方を知りたい方
　・データ解析を始めようとしているがお困りの方
　・データ解析の方法・実際のやり方について基礎から学びたい方
　・データ科学の考え方を業務に取り入れたいとお考えの方
　・回帰モデルやクラス分類モデルの作り方について知りたい方
　・非線形の回帰モデルやクラス分類モデルについて学びたい方
　・オススメのデータ解析手法について知りたい方
　・モデルの予測精度の向上に関心のある方
　・モデルの逆解析について知りたい方

○ 受講後、習得できること：
　・ケモインフォマティクス・プロセスインフォマティクス・データ解析・
　　機械学習・分子設計・材料設計・プロセス設計・プロセス管理・
　　マテリアルズインフォマティクスの基礎知識
　・ケモインフォマティクス・プロセスインフォマティクス分野の最新の研究事例
　・データ解析の一般的なすすめ方
　・データ解析の応用事例
　・最新のデータ解析手法
　・モデルの予測精度向上の方法

セミナー内容

1.データ科学等によるデータ解析上の基礎知識
　1) 機械学習・人工知能
　2) 定量的構造物性相関・定量的構造活性相関
　3) 化学構造生成
　4) 分子設計
　5) 材料設計
　6) プロセス設計
　7) プロセス管理
　8) マテリアルズインフォマティクス

2.化学・産業データ解析のすすめ方・使い方
　1) データの形式、記述子
　2) データの前処理
　　a) 標準化
　　b) 変数選択
　　c) スムージング (平滑化)
　3) データの可視化・低次元化
　　a) 主成分分析 (Principal Component Analysis, PCA)
　　b) Generative Topographic Mapping
　　c) 多様体学習
　　d) 可視化の性能を検討するための指標
　4) クラスタリング
　　a) 階層的クラスタリング
　　b) k平均法 (k-means)
　　c) 混合ガウスモデル (Gaussian Mixture Model, GMM)
　5) クラス分類
　　a) 線形判別分析 (Linear Discriminant Analysis, LDA)
　　b) 決定木 (Decision Tree, TD)
　　c) ランダムフォレスト (Random Forest, RF)
　　d) サポートベクターマシン (Support Vector Machine, SVM)
　6) 回帰分析
　　a) 最小二乗法による重回帰分析
　　  (Multiple Linear Regression (MLR) or Ordinary Least Squares (OLS))
　　b) 部分的最小二乗法 (Partial Least Squares, PLS)
　　c) 決定木 (Decision Tree, DT)
　　d) ランダムフォレスト (Random Forest, RF)
　　e) サポートベクター回帰 (Support Vector Regression, SVR)
　7) モデルの予測性能の向上
　　a) アンサンブル学習
　　b) 半教師あり学習 (半教師付き学習)
　8) モデルの適用範囲
　　a) データ範囲
　　b) 中心からの距離
　　c) データ密度
　　d) アンサンブル学習
　9) モデルの逆解析
　　a) グリッドサーチ
　　b) サンプリング
　　c) ベイズの定理
　10) 実行するためのプログラム紹介

3.化学・産業データの活用展開
　〜分子設計・材料設計・プロセス設計・プロセス管理に関する最新の研究事例〜
　1) 化学空間の可視化に基づく分子設計
　2) 定量的構造物性(活性)相関モデルの逆解析に基づく分子設計
　3) 定量的構造物性(活性)相関モデルの適用範囲を考慮した分子設計
　4) 実験計画法による材料設計〜目標達成確率に基づく適応的実験計画法〜
　5) シミュレーションとインフォマティクス技術を活用したプロセス設計

4.まとめ・質疑応答
　1) まとめ
　2) 質疑応答