・ご受講にあたり、環境の確認をお願いしております。
お手数ですが下記公式サイトからZoomが問題なく使えるかどうか、ご確認下さい。
→
確認はこちら
＊Skype／Teams／LINEなど別のミーティングアプリが起動していると、Zoomでカメラ・マイクが使えない事があります。お手数ですがこれらのツールはいったん閉じてお試し下さい。
→
音声が聞こえない場合の対処例
・Zoomアプリのインストール、Zoomへのサインアップをせずブラウザからの参加も可能です
→
参加方法はこちら
→※一部のブラウザーは音声（音声参加ができない）が聞こえない場合があります、
必ず
テストサイトからチェック下さい。
対応ブラウザーについて（公式）;コンピューターのオーディオに参加に対応してないものは音声が聞こえません
申込み時に（見逃し視聴有り）を選択された方は、見逃し視聴が可能です。
（クリックして展開「▼」）
・原則、開催5営業日後に録画動画の配信を行います（一部、編集加工します）。
・視聴可能期間は配信開始から1週間です。
（GWや年末年始・お盆期間等を挟む場合、それに応じて弊社の標準配信期間の設定を延長します。）
セミナーを復習したい方、当日の受講が難しい方、期間内であれば動画を何度も視聴できます。
尚、閲覧用URLはメールでご連絡致します。
※万一、見逃し視聴の提供ができなくなった場合、
（見逃し視聴あり）の方の受講料は（見逃し視聴なし）の受講料に準じますので、ご了承下さい。
→こちらから問題なく視聴できるかご確認下さい（テスト視聴動画へ）パスワード「123456」
セミナーポイント
■講師より／本セミナーのポイント
昨今、物理学・化学・生物学の様々なデータが膨大に蓄積され、そのような自然科学データに対する人工知能技術の応用と成功が注目されています。
本セミナーでは、材料や医薬品をより効率的に開発するための、ケモインフォマティクスに基づく実践的なアプローチについて紹介します。化合物のデータ分析や機械学習の適用に加えて、近年注目されている深層学習を扱う際の注意点なども紹介します。特に、企業の抱える課題（データの数や多様性が少ない、予測精度よりも解釈性を重視する等）をどのように解決すべきかについて、講演者の経験を交えながら講義します。
■主な受講対象者は？
・各種材料の研究開発者
・特に、材料・医薬品等の化合物を取り扱っている方で、機械学習やマテリアルズインフォマティクス、ケモインフォマティクスを試みている方
・新規材料の開発に際してポイントとなる、未知化合物に対する物性の（外挿）予測をしていきたい方 等
■本セミナーで得られる主な知識・情報・ノウハウ
・材料や医薬品等の化合物データを取り扱うための鉄則
・ケモインフォマティクスに基づく、データへの実践的アプローチ方法
・化合物データのための機械学習・深層学習の基礎・方法、その応用
・未知化合物に対する物性の外挿予測：その考え方や手法 等
セミナー内容
1.化合物データへの最初のアプローチ〜機械学習を始める前に〜（90分）
※ここでは機械学習を行う前におさえておきたいデータ分析の基礎事項や大前提となるイシューの整理、またビッグデータや深層学習を巡る留意点について述べます。
1.1 イシューからはじめよ：問題点・課題点・目的の明確化
1.1.1 ケモインフォマティクスとは何か
1.1.2 深層学習、機械学習、データ分析以前に行うべきこと
1.1.3 ビッグデータの落とし穴
1.1.4 深層学習の落とし穴
1.1.5 イシューからはじめよ
1.2 機械学習以前に行うべきデータ分析〜化合物データの分析を具体例に〜
1.2.1 化合物データの特徴量・記述子
1.2.2 相関分析・頻度分析
1.2.3 交差項・相互作用分析
1.2.4 回帰分析
1.2.5 多重共線性
1.2.6 回帰分析の解釈
2.化合物データのための機械学習と深層学習の基礎（90分）
※ここでは特に、材料や医薬品等の化合物データを取り扱っている方向けに、機械学習や深層学習の基礎事項やポイントを解説します。
2.1 機械学習の基礎
2.1.1 線形回帰モデルの学習
2.1.2 リッジ回帰・ラッソ回帰のポイント：スパース推定
2.1.3 各モデルの特徴とその使い分け
2.1.4 機械学習の解釈
2.2 深層学習（ニューラルネットワーク）の基礎
2.2.1 ニューラルネットワークの構造
2.2.2 ニューラルネットワークの学習
2.2.3 深層学習の評価と解釈の問題
2.2.4 深層学習の解釈
3.深層学習を材料・医薬品開発へ応用する（90分）
※ここでは実際に材料・医薬品開発へ応用していく際の要点を解説します。特に課題となっている物性の外挿予測については、その考え方やいくつかのアプローチ方法を紹介します。
3.1 化合物の物性予測のための深層学習
3.1.1 量子化学シミュレーションと機械学習の違い
3.1.2 密度汎関数法の基礎
3.1.3 量子化学と機械学習の融合
3.1.4 化合物の物性予測
3.2 未知化合物に対する物性の外挿予測：その考え方と課題
3.2.1 機械学習は本質的に外挿できない
3.2.2 入力データの外挿と出力データの外挿
3.2.3 外挿予測のためのデータ分析の活用と転移学習の展望
3.3 まとめ
3.2.1 イシューとデータ分析からはじめよ
3.2.2 機械学習と深層学習の注意点
＜質疑応答＞
＊「Q＆A」にご質問を投稿頂けます。
＊口頭質問も可能です。希望者のマイクを適宜使用できるように致します。
＊セミナー後の講師へのメール質問も可能です。（量や内容次第では回答しかねることもございます。ご了承くださいませ。）
サイトマップ
よくあるお問合せ
リクエスト
セミナー会場へのアクセス
