BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//https://techplay.jp//JP
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALDESC:【オンライン開催】『化学・化学工学のため
 の実践データサイエンス』読書会#6
X-WR-CALNAME:【オンライン開催】『化学・化学工学のため
 の実践データサイエンス』読書会#6
X-WR-TIMEZONE:Asia/Tokyo
BEGIN:VTIMEZONE
TZID:Asia/Tokyo
BEGIN:STANDARD
DTSTART:19700101T000000
TZOFFSETFROM:+0900
TZOFFSETTO:+0900
TZNAME:JST
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
UID:896683@techplay.jp
SUMMARY:【オンライン開催】『化学・化学工学のための実
 践データサイエンス』読書会#6
DTSTART;TZID=Asia/Tokyo:20230331T193000
DTEND;TZID=Asia/Tokyo:20230331T203000
DTSTAMP:20260405T182248Z
CREATED:20230318T142045Z
DESCRIPTION:イベント詳細はこちら\nhttps://techplay.jp/event/89668
 3?utm_medium=referral&utm_source=ics&utm_campaign=ics\n\n次回は8章か
 らスタートします。\n開催趣旨\n本勉強会では、マテリ
 アルズインフォマティクスについて理解を深めること
 を目的とし、下記の本を一章ずつ取り上げていく予定
 です。事前に予習し、コードを一通り動かしてから参
 加されることをオススメします。参加者同士の質問・
 意見交換やディスカッションをメインに進めていく予
 定です。  \n『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―』（金子 
 弘昌(著)\, 朝倉書店\, 2022年10月）    \n※ 書籍はご自身
 で入手のうえ、ご参加ください。  \n参加対象者\n\nマ
 テリアルズインフォマティクスの理解・Pythonによる実
 装力を高め、業務や研究に活用した社会人・学生・研
 究者の方  \nPythonの基礎的な文法やJupter Notebook、Google Co
 laboratoryの基本的な使い方を習得されている方\n\n参加
 方法\nConnpassの「参加者への情報」に記載のzoomリンク
 よりご参加ください。  \n勉強会の進め方\n\nその日に
 取り扱う章を前もって各自ご自身で読み進めておいて
 ください。  \n勉強会では、皆で書籍の内容を確認しな
 がら、必要に応じてGoogle Colaboratory等で実際にコードを
 動かしていきます。  \nポイントごとに立ち止まって疑
 問点をぶつけ合い、意見交換し、理解を深めていけれ
 ばと思います。  \n\n※ 一人が資料準備してきて一方的
 にレクチャーする形式ではなく、参加者同士インタラ
 クティブにディスカッションしながら進めていきます
 。\n書籍の紹介文（https://www.asakura.co.jp/detail.php?book_code=
 25047）\n内容紹介\n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
 スなどと呼ばれる化学・化学工学系のデータ処理で実
 際に使える統計解析・機械学習手法を解説。Pythonによ
 るサンプルコードで実践。  \n目次\n1.はじめに\n・分子
 設計・材料設計・プロセス設計・プロセス管理\n・事
 前準備～Python環境とDCEKit～  \n2.データセットの作成\n
 ・説明変数x の決め方・選び方\n・特徴量の作成\n・モ
 デルの逆解析の活用  \n3.化学データ・化学工学データ
 の前処理\n・説明変数の標準化をするべきか\n・標準偏
 差が0の説明変数\n・対数変換やロジット変換\n・スペ
 クトル・時系列データの前処理\n・外れ値検出もしく
 は外れサンプル検出\n・欠損値の補完  \n4.特徴量選択(
 変数選択)\n・注意点\n・同じ値を多くもつ特徴量の削
 除\n・相関係数\n・クラスタリング\n・GAPLS\, GASVR\n・ス
 ペクトル解析\n・時系列データ解析\n・Boruta  \n5.データ
 セットの可視化・見える化\n・可視化をする理由\n・手
 法選択のポイント\n・結果を評価する指標 \n・GTM  \n6.
 クラスタリング\n・メリット\n・GMM\n・SGTM  \n7.回帰分析
 とクラス分類\n・定性的な特徴量から定量的な特徴量
 へ\n・回帰分析／クラス分類の回帰分析\n・アダブース
 ト\n・勾配ブースティング\n・アンサンブル学習\n・半
 教師あり学習\n・転移学習\n・モデルの予測精度を上げ
 るために  \n8.モデルの検証\n・手法の選び方\n・注意点
 \n・ハイパーパラメータの選択に失敗したとき\n・実測
 値vs.推定値プロットの見方\n・オーバーフィッティン
 グ(過学習)\n・小さなデータセット\n・トレーニングデ
 ータとテストデータの分け方\n・ダブルクロスバリデ
 ーション\n・yランダマイゼーションによる危険度を評
 価\n・特徴量の標準化\n・ハイパーパラメータの最適化
   \n9.モデルの適用範囲・ベイズ最適化\n・モデルを構
 築するのにサンプルはいくつ必要か\n・内挿・外挿\n・
 守りのAD，攻めのBO\n・モデルがどれくらい外挿できる
 かの検証方法\n・ガウシアンカーネルを用いたサポー
 トベクター回帰\n・特徴量の非線形変換によるモデル
 の適用範囲の拡大  \n10.モデルの逆解析\n・チェックリ
 スト\n・モデルの予測性能が低いとき\n・説明変数の感
 度\n・ランダムフォレストや決定木で構築したモデル
 の逆解析\n・部分的最小二乗法でモデルの逆解析\n・材
 料設計の限界(モデルの逆解析の限界)\n・モデルの予測
 結果の活用方法～モデルの逆解析と目的変数の評価～\
 n・目的変数が複数個あるとき\n・GMR\n・VBGMR\n・遺伝的
 アルゴリズムを用いた逆解析\n・GTMR  \n索引  \n参加者
 同士の質問・情報交換\nScribble Osaka Lab（SOL）のSlackワー
 クスペースで、参加者同士の質問・情報共有用チャン
 ネルを設けております。参加ご希望の方は、申込みフ
 ォームで招待メール送り先のEmailアドレスをお教えく
 ださい。  \nその他\nソレイユデータ道場については、
 公式HPやFacebookページをご参照ください。  \n公式HP：htt
 ps://soleildatadojo.com/    \nFacebookページ：https://www.facebook.co
 m/soleildatadojo/
LOCATION:オンライン開催
URL:https://techplay.jp/event/896683?utm_medium=referral&utm_source=ics&utm
 _campaign=ics
END:VEVENT
END:VCALENDAR