金子弘昌, 「Pythonで気軽に化学・化学工学」, 丸善, 2021
丸善: https://www.maruzen-publishing.co.jp/item/?book_no=304108
Amazon: https://www.amazon.co.jp/dp/4621306154
Amazon(Kindle): https://www.amazon.co.jp/dp/B096TGPDYP/
自分の本の紹介で恐縮です。ただ、データ解析や機械学習による分子設計、材料設計、プロセス設計、プロセス管理・制御をしたい、すなわちケモインフォマティクス、マテリアルズインフォマティクス、プロセスインフォマティクスを実践したい方に、本当にオススメする本です。Python についても、プログラムの一行一行説明があるため、プログラミングも一緒に学べます。実際、データ化学工学研究室 (金子研) では、配属された学生に一人一冊配布して、新人研修の最初として取り組んでいます。また、講義のテキストにもしています。
紹介としては、すでに “まえがき”、目次の詳細、第１・２・３章 を無料公開していますので、こちらを読んでいただくのがよいと思います。
[無料公開] 「Pythonで気軽に化学・化学工学」 の “まえがき”、目次の詳細、第１・２・３章
2021 年 5 月 1 日に、金子弘昌著の「Pythonで気軽に化学・化学工学」が出版されました。丸善: Amazon: Amazon(Kindle): こちらの本は、前著の 「化学のための Pythonによるデータ解析・機械学習入門」 ...
datachemeng.com
2021.04.25
「Pythonで気軽に化学・化学工学」 では、データ解析・機械学習に関連する内容として、主に以下のことを学べます。
- Python、Anaconda のインストール、Jupyter Notebook の使い方、キーボードショートカット
- Pythonプログラミングの基礎
- データセットの読み込み、データセットの中身の確認、データセットの保存
- ヒストグラムによるデータの分布の確認、基礎統計量の計算、散布図による特徴量間の関係の確認、相関係数による特徴量間の関係の強さの確認
- 特徴量の標準化 (オートスケーリング)、ばらつきの小さい特徴量の削除、類似した特徴量の組における一方の特徴量の削除
- データセットの見える化（可視化）、主成分分析、t-distributed Stochastic Neighbor Embedding (t-SNE)
- クラスタリング、階層的クラスタリングの基礎
- クラス分類（クラス分類とクラスタリングとの違い，教師あり学習と教師なし学習)、k 近傍法 (k-Nearst Neighbor algorithm, k-NN)、サポートベクターマシン (Support Vector Machine, SVM)、決定木 (Decision Tree, DT)、ランダムフォレスト (Random Forest, RF)、クラス分類モデルの推定性能の評価
- 回帰分析、k-NN、 最小二乗法による回帰分析、モデルの推定性能を低下させる要因とその解決手法、オーバーフィッティング、部分的最小二乗法 (Partial Least Squares, PLS)、さまざまな解析の自動化・効率化、外部バリデーションと内部バリデーション、ハイパーパラメータ、サポートベクター回帰 (Support Vector Regression, SVR)、決定木、ランダムフォレスト
- ダブルクロスバリデーション
- モデルの適用範囲、データ密度、アンサンブル学習法、One-Class Support Vector Machine (OCSVM)
- モデルの逆解析、仮想サンプルの生成、
- 実験計画法、応答曲面法、適応的実験計画法
- 化学構造の扱い、RDKit のインストール、化学構造の表現方法、Simplified Molecular Input Line Entry System (SMILES)、Molfile、化学構造の数値化
以上です。
質問やコメントなどありましたら、twitter, facebook, メールなどでご連絡いただけるとうれしいです。
