世界はトレードオフであふれている！～研究のチャンスはパレート最適解の向こう側にあり～
たとえば、ランチにラーメン屋さんにいくことを考えましょう。おいしくて、安いラーメンが食べられるところを探しますよね。いろいろと調べた結果、下の図のようになりました。一つ一つの ○ がラーメンです。 おいしくて安いラーメンを探しているのに、お...
研究室
データ化学工学研究室(金子研)のゼミ合宿
2018年度のデータ化学工学研究室 (金子研) のゼミ合宿は、鬼怒川温泉で開催されます。ちなみに2017年度は熱海でした。 温泉地なので温泉に入ったり、観光したり、お酒を飲んだりしますが、ゼミ合宿の名前の通り、ゼミをします。このゼミでは、 ...
時系列データを扱うときの３つの注意点(ソフトセンサー解析など)[データ解析用のPythonプログラム付き]
一般的なデータ解析において、回帰モデルやクラス分類モデルをつくることを考えます。トレーニングデータとテストデータに分けて、トレーニングデータで回帰モデルやクラス分類モデルを構築して、そのモデルがどのくらいの推定性能をもつか、テストデータで検...
回帰モデル・クラス分類モデルの逆解析～目標のY(物性・活性など)を達成するためのX(説明変数・記述子・特徴量・パラメータ・入力変数)とは？～
回帰モデルやクラス分類モデルが得られたあとの話です。 よくやるのは、説明変数 (記述子・特徴量・パラメータ・入力変数) X の値を回帰モデルやクラス分類モデルに入力して、目的変数 Y の値を推定することです。これをモデルの順解析とよびます。...
Xの変数を適切に非線形変換して線形の回帰モデルを作るとモデルの適用範囲・適用領域が広がるかも！[検証結果とPythonプログラムあり]
今回は、説明変数・記述子・特徴量・入力変数を非線形関数で変換するお話です。 説明変数 X と目的変数 y との間で回帰モデルを作るとき、X と y との間に非線形の関係 (y = x12 + log(x2) とか) があるとき、一つのアプロ...
共同研究に対する金子研のスタンス～学生の関わりなど～
基本的に、金子研は共同研究に対して、来る者は拒まず、といったスタンスです。もちろん、事前にお話を伺って、それはちょっと金子研の出番はないのでは？？、となれば、お断りすることもあるかもしれません。ただ、これまで相手の方々が入念に検討してから金...
どんなクラス分類のデータも回帰分析に変換する方法 (説明変数にも使えます)
教師あり学習には、大きく分けてクラス分類と回帰分析があります。目的変数が連続値であれば回帰分析、サンプルごとのクラスの情報であればクラス分類です。変数のレベル的には、回帰分析の目的変数が間隔尺度もしくは比例尺度、クラス分類の目的変数が名義尺...
ディープラーニング(深層学習)が流行る理由～なんでもディープラーニングでOKというわけではない～
いろいろなところで、ディープラーニング (deep learning) とか深層学習とかディープニューラルネットワークとかを耳にすると思います。実際にニューラルネットワークのモデルを構築したことがある人もいるかもしれません。ディープラーニン...
誤差逆伝播法によるニューラルネットワーク(BackPropagation Neural Network, BPNN)～深層学習(ディープラーニング)の基礎～
誤差逆伝播法によるニューラルネットワーク (BackPropagation Neural Network, BPNN) についてです。基本的には深層学習 (ディープラーニング) も同じ学習方法で実現できます。BPNN について説明するスライ...
コピペのメリット・デメリット～コピペとの正しい付き合い方～
わたしもよく使うコピペ (コピー & ペースト) についてです。ファイルや画像のコピペもできますが、今回は文字のコピペのみにします。文字を選択してから、パソコンであれば コピー：「Ctrl + C」 (Windows), 「command ...