「Pythonで学ぶ実験計画法入門 ベイズ最適化によるデータ解析」 化学・化学工学のデータ解析・機械学習を学びながら実験計画法やベイズ最適化を実践したい方へ

シェアする

金子弘昌, 「Pythonで学ぶ実験計画法入門 ベイズ最適化によるデータ解析」, 講談社, 2021

講談社: https://www.kspub.co.jp/book/detail/5235300.html

Amazon: https://www.amazon.co.jp/dp/4065235308

自分の本の紹介で恐縮です。ただ、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の分野、すなわち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・制御において、実験計画法やベイズ最適化を実践したい方に、本当にオススメする本です。化学・化学工学における、どのようなデータセットにも対応可能な実験計画法ができるようになりますし、ベイズ最適化で必ず利用される回帰分析手法であるガウス過程回帰についても、丁寧に説明があります。さらに、Python のサンプルプログラムとサンプルデータセットが付属していますので、本の説明にある内容をすぐに実行できます。実際、データ化学工学研究室 (金子研) において、実験計画法やベイズ最適化に関係する学生が、最初に読むテキストになっています。

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で学ぶ実験計画法入門 ベイズ最適化によるデータ解析」 の “まえがき”、目次の詳細、第1・2章
2021 年 6 月 3 日に、金子弘昌著の「Pythonで学ぶ実験計画法入門 ベイズ最適化によるデータ解析」が出版されました。 ...

「Pythonで学ぶ実験計画法入門 ベイズ最適化によるデータ解析」 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。

  • 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、分子設計、材料設計、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
  • 実験計画法、適応的実験計画法
  • データセットの表現、ヒストグラム・散布図、統計量
  • 特徴量の標準化 (オートスケーリング)、最小二乗法による線形重回帰分析、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、回帰モデルの推定性能の評価
  • モデルの適用範囲、データ密度、アンサンブル学習
  • 実験候補の生成、実験候補の選択、次の実験方法の選択
  • ベイズ最適化、化学構造を扱うときのベイズ最適化、実験計画法・適応的実験計画法の実践
  • Gaussian Mixture Regression (GMR)、GMR に基づく適応的実験計画法
  • 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

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。

シェアする

フォローする