……Zoomオンライン受講
★ガウス過程による回帰や適応的実験計画法等、データ解析理論およびベイズ最適化の基礎から解説！
★材料設計およびプロセス・装置設計におけるベイズ最適化具体例・最新の研究事例を紹介します！
講師
明治大学 理工学部 准教授 博士（工学）金子 弘昌 氏
講師紹介
＊ご専門および得意な分野・研究：
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、プロセス制御、データ解析、機械学習
＊本テーマ関連のご活動：
・研究室ウェブサイト：
https://datachemeng.com/
・プロセス・マテリアルズ・ケモインフォマティクスオンラインサロン(金子研オンラインサロン) [無料]：
https://datachemeng.com/onlinesalon/
・ウェブサービスDatachemical LAB：
https://www.datachemicallab.com/
・主な著書：
金子弘昌, 化学のための Pythonによるデータ解析・機械学習入門, オーム社, 2019年
金子 弘昌, Pythonで気軽に化学・化学工学, 丸善出版, 2021年
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
金子 弘昌, 化学・化学工学のための実践データサイエンス―Pythonによるデータ解析・機械学習―, 朝倉書店, 2022
金子 弘昌, 化学のためのPythonによるデータ解析・機械学習入門(改訂2版), オーム社, 2023
＜その他関連セミナー＞
機械学習・AI 一覧はこちら
日時・受講料・お申込みフォーム
●日時：2025年5月21日(水) 10:30-16:30 ＊途中、お昼休みや小休憩を挟みます。
●受講料：
【オンライン受講】：1名50,600円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき39,600円
＊学校法人割引：学生、教員のご参加は受講料50％割引。→「セミナー申込要領・手順」を確認ください。
●録音・録画行為は固くお断りいたします。
お申込みはこちらから
配布資料・講師への質問など
●配布資料はPDFなどのデータで配布いたします。ダウンロード方法などはメールでご案内いたします。
・配布資料に関するご案内は、開催1週前～前日を目安にご連絡いたします。
・準備の都合上、開催1営業日前の12:00までにお申込みをお願いいたします。
（土、日、祝日は営業日としてカウントしません。）
・セミナー資料の再配布は対応できかねます。必ず期限内にダウンロードください。
●当日、可能な範囲でご質問にお答えします。（全ての質問にお答えできない可能性もございます。何卒ご了承ください。）
●本講座で使用する資料や配信動画は著作物であり、無断での録音・録画・複写・転載・配布・上映・販売などは禁止いたします。
●ご受講に際しご質問・要望などございましたら、下記メールアドレス宛にお問い合わせください。
req@*********（*********にはjohokiko.co.jpを入れてください）
オンラインセミナーご受講に関する各種案内（必ずご確認の上、お申込みください。）
※メールアドレスの記載誤りについては、以下へご連絡お願いいたします。
req@*********（*********にはjohokiko.co.jpを入れてください）
→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で音声が聞こえない、カメラ・マイクが使えないなどの事象が起きる可能性がございます。お手数ですが、これらのアプリは閉じた状態にてZoomにご参加ください。
→音声が聞こえない場合の対処例
→一部のブラウザは音声が聞こえないなどの不具合が起きる可能性があります。
対応ブラウザをご確認の上、必ず事前のテストミーティング をお願いします。
（iOSやAndroidOS ご利用の場合は、アプリインストールが必須となります）
セミナーポイント
高機能性材料の開発やコンピュータシミュレーションによる設計などの研究・開発の現場において、効率的にシミュレーション・実験・製造を実施するために実験計画法が活用される。例えば5つの実験パラメータもしくはシミュレーション条件（反応器体積・反応温度・反応時間など）があり、それぞれ 10 の候補の値がある場合、すべての組み合わせは10万通りになってしまう。しかし実験計画法を用いれば、その中の数回のシミュレーション候補・実験候補から実験パラメータと装置の性能・材料の物性・活性との間の関係性を統計的手法によりモデル化することで、所望の装置性能・物性・活性を実現するための候補を効率的に探索できる。
このようにシミュレーションデータや実験データを活用することで、効率的な材料設計およびプロセス・装置設計を達成できる。ガウス過程による回帰をうまく使って実験計画法における新しい実験候補を探索したり、回帰モデルやクラス分類モデルのハイパーパラメータ (学習では求まらないため事前に決めるべきパラメータ) を決定する方法が、ベイズ最適化である。
本講演では、そのような（適応的）実験計画法やガウス過程による回帰等、実験計画法を実現するためのデータ解析理論およびベイズ最適化の基礎を解説する。さらに具体的な材料設計およびプロセス・装置設計の例や最新の研究事例を紹介する。
○受講対象：
・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・データ解析・機械学習・実験計画法・ベイズ最適化に関心のある方
・分子設計・材料設計・プロセス設計・プロセス管理に関心のある方
・ビッグデータ・人工知能に関心のある方
・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野の最新の研究事例について知りたい方
・社内や自分でデータはもっているが、データの活用の仕方・扱い方を知りたい方
・データ解析・実験計画法・ベイズ最適化を始めようとしているがお困りの方
・データ解析・実験計画法・ベイズ最適化の方法・実際のやり方について基礎から学びたい方
・データ科学の考え方を業務に取り入れたいとお考えの方
・回帰モデルやクラス分類モデルの作り方について知りたい方
・非線形の回帰モデルやクラス分類モデルについて学びたい方
・オススメのデータ解析手法について知りたい方
・モデルの逆解析・適応的実験計画法・ベイズ最適化について知りたい方
○受講後、習得できること：
・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・データ解析・機械学習・分子設計・材料設計・プロセス設計・プロセス管理・実験計画法・ベイズ最適化の基礎知識
・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野の最新の研究事例
・データ解析の一般的なすすめ方
・データ解析の応用事例
・最新のデータ解析手法
セミナー内容
１．研究・開発におけるデータ科学活用・モデリングの基礎・考え方
～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～
1.1 分子設計の基礎とデータ活用の考え方
1.2 材料設計の基礎とデータ活用の考え方
1.3 プロセス設計・装置設計の基礎とデータ活用の考え方
1.4 モデリング
1.5 モデルの活用した材料設計・プロセス設計・装置設計
２．データ解析・回帰手法の基礎とすすめ方
2.1 ベイズ最適化をする前に準備・留意すべきこと
2.2 線形回帰分析
2.3 非線形回帰分析
2.4 線形クラス分類
2.5 非線形クラス分類
2.6 ガウス過程による回帰
３．実験計画法・ベイズ最適化の基礎とすすめ方
3.1 実験計画法
3.2 適応的実験計画法
3.3 必要となる手法・技術
3.4 実験候補の生成・選択
3.5 次の実験候補の選択
3.6 ベイズ最適化
４．ベイズ最適化の研究事例・応用事例
4.1 ベイズ最適化による材料設計・プロセス設計・装置設計
4.2 材料設計の実例
4.3 プロセス設計・装置設計の実例
＜質疑応答＞
お申込みはこちらから
