ライトノベル、マンガなど電子書籍を読むならBOOK☆WALKER

※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。

※この電子書籍は紙版書籍のページデザインで制作した固定レイアウトです。

化学・化学工学分野でPythonを使って機械学習を行うための入門書
本書は、化学・化学工学分野でPythonを使って機械学習を行うための入門書です。
これまでに蓄積してきた実験／製造データをデータ解析・機械学習を用いて分析することで、いままでとはまったく別のアプローチで材料開発を加速させたり、プロセス管理を効率化・安定化させたりすることができます。なぜなら、実験や製造データは、目に見えない、研究者・技術者の知識・知見・経験・勘の宝庫だからです。そして、データ解析・機械学習を用いることで、これらを目に見える形にすることができるからです。
読者が一から実践できるよう、Pythonのインストール方法、データ解析・機械学習の基本理論から、材料設計、分子設計、プロセス管理について実際にサンプルプログラムとサンプルデータセットを使った実践までを丁寧に解説しています。

第1部　Python と統計の基礎知識
第1章　Pythonの基礎
1.1　Pythonの使い方
1.2　データセットの読み込み・保存
第2章　データの図示
2.1　ヒストグラム
2.2　箱ひげ図
2.3　散布図
2.4　相関行列

第2部　データ解析・機械学習の基礎
第3章　多変量データとデータの可視化
3.1　多変量データ
3.2　データの前処理
3.3　主成分分析（Principal Component Analysis：PCA）
3.4　階層的クラスタリング
3.5　［発展］非線形の可視化手法：t-distributed Stochastic Neighbor Embedding（t-SNE）
第4章　化学データを用いたモデリング
4.1　回帰分析（regression analysis）
4.2　クラス分類（classication）
第5章　回帰モデル・クラス分類モデルの適用範囲
5.1　モデルの適用範囲（Applicability Domain：AD）とは？
5.2　データ密度
5.3　アンサンブル学習法（Ensemble learning）

第3部　化学・化学工学データでの実践のしかた
第6章　材料設計，分子設計，医薬品設計
6.1　材料設計
6.2　分子設計，医薬品設計
6.3　化学構造の表現方法
6.4　化合物群の扱い
6.5　化学構造の数値化
6.6　化学構造の生成
6.7　化合物のデータセットを扱うときの注意点
6.8　具体的なデータセットを用いた解析
第7章　時系列データの解析
7.1　化学プラントにおける推定制御・ソフトセンサー
7.2　時系列データ解析の特徴
7.3　モデルの劣化と適応型ソフトセンサー（Adaptive Soft Sensor）
7.4　データ解析・機械学習による化学プラントのプロセス管理（異常検出，異常診断）
第8章　Datachemical LABを用いた化学・化学工学のデータ解析・機械学習
8.1　Datachemical LAB
8.2　材料設計
8.3　分子設計
8.4　適応型ソフトセンサー
8.5　Datachemical LAB による材料設計・分子設計・プロセス設計・プロセス管理

★ 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