Pythonではじめるマテリアルズインフォマティクス

　本書ではPythonを使ったマテリアルズインフォマティクスの手法として、物質科学に関するデータ（特に無機物質）を主に扱い、データ解析学の基礎から非等長説明変数を用いるアルゴリズムまでをまとめています。
　物質科学の世界では物質ごとに収集できる変数の数が異なる（非等長説明変数）場合が多く、実践でも苦労することを考慮して対応策を詳述。改訂にあたっては「ChatGPT」を使ったPythonコード作成の補助、データ解析の構築方法などを各章に取り入れることで、Pythonを扱ったことがない初学者にとっても挑戦しやすい内容になっています。
【目次】
第1章 導入
1.1 本書の目的その1
1.2 本書の目的その2
1.3 本書の目的その3
1.4 本書の目的その4

第2章 理論
2.1 予測問題
2.2 データ解析学手法の紹介
2.3 回帰・分類モデルの性能評価
2.4 データ解析学手法の四過程
2.5 説明変数の特徴の見い出し方
2.6 予測問題（再び）
2.7 新帰納法の世界
2.8 LLMの利用
2.9 LLMを用いた知識の取得例
2.10 LLMを用いたコード生成

第3章 準備
3.1 可視化可能な Pythonインタラクティブ環境
3.2 Python環境のインストール
3.3 サンプルコードとデータファイルの取得とインストール
3.4 物質データ
3.5 データ解析の事前準備

第4章 基礎
4.1 はじめに
4.2 回帰
4.3 次元圧縮
4.4 分類
4.5 クラスタリング

第5章 応用 1（等長説明変数）
5.1 はじめに
5.2 次元圧縮を併用したクラスタリング

第6章 応用 2（非等長説明変数）
6.1 はじめに
6.2 頻出パターンマイニング

付録A
A.1 LLM に対する質問事項例
A.2 Jupyter Notebook/Lab でのNotebook ファイルのPythonファイルへの変換方法

本書はPythonを使ったマテリアルズインフォマティクスの方法を習得するため、1．scikit-learnの使い方を学ぶ、2．プログラミングによるデータ解析手法を知る、3．帰納法の考え方に慣れる、という三つの目的から構成されています。データ解析学で用いるアルゴリズムは各データを記述する変数の数が等しい（等長説明変数）と仮定しているため、マテリアルズインフォマティクスの世界では苦戦する場面が少なくありません。そこで物質ごとに収集できる変数の数が異なる（非等長説明変数）場合のデータ解析の仕方を紹介しており、基礎から実践までをじっくりと理解できる内容となっています。
【目次】
第1章 理論編
1.1 予測問題
1.2 データ解析学手法の紹介
1.3 回帰・分類モデルの性能評価
1.4 データ解析学手法の四過程
1.5 説明変数の特徴の見い出し方
1.6 予測問題（再び）
1.7 新帰納法の世界
1.8 新帰納法のフローチャート

第2章 準備編
2.1 可視化可能なPythonインタラクティブ環境
2.2 Python環境のインストール
2.3 サンプルスクリプトとデータファイルの取得とインストール
2.4 物質データ
2.5 事前準備

第3章 基礎編
3.1 はじめに
3.2 回帰
3.3 次元圧縮
3.4 分類
3.5 クラスタリング

第4章 応用編1（等長説明変数)
4.1 はじめに
4.2 次元圧縮を併用したクラスタリング
4.3 トモグラフ像の復元
4.4 説明変数重要性の定量評価
4.5 モデル全探索による回帰モデル評価
4.6 ベイズ最適化
4.7 次元圧縮を利用した推薦システム

第5章 応用編2（非等長説明変数）
5.1 はじめに
5.2 頻出パターンマイニング
5.3 証拠理論

付録A