★マテリアルズ・インフォマティクスの基本から、機械学習を活用してどのように取得データから情報を抽出するか?分かりやすく解説します!

機械学習を用いたスペクトルデータ解析と材料開発への適用【WEBセミナー】

※3/17に開催したWEBセミナーの録画(アーカイブ配信)です。期間中【3/22~3/31】何度でも視聴できます。がございます。

※受付を終了しました。最新のセミナーはこちら

セミナー概要
略称
機械学習データ解析【アーカイブ配信】
セミナーNo.
220320
配信開始日
2022年03月22日(火)
配信終了日
2022年03月31日(木)
主催
(株)R&D支援センター
問い合わせ
Tel:03-5857-4811 E-mail:info@rdsc.co.jp 問い合わせフォーム
価格
非会員:  49,500円 (本体価格:45,000円)
会員:  39,600円 (本体価格:36,000円)
学生:  49,500円 (本体価格:45,000円)
価格関連備考
【LIVE配信】または【アーカイブ配信】をご希望の方は
非会員 :1名につき 49,500円(税込)
会員  :1名の場合 39,600円(税込)、2名以上同時申込の場合 1名につき 24,750円(税込)
     でご受講いただけます。

【LIVE配信+アーカイブ配信】をご希望の方は
非会員 :1名につき 66,000円(税込)
会員  :1名の場合 55,000円、2名以上の場合 1名につき33,000円(税込)
     でご受講いただけます。

会員登録とは? ⇒ よくある質問
備考
本講座はZoomを使ったWEBセミナーです。
Zoomを使用されたことがない方は、こちらからミーティング用Zoomクライアントをダウンロードしてください。
ダウンロードできない方はブラウザ版でも受講可能ですが、機能が制限される可能性がございます。

また今回のWEBセミナーですが、【3/17 LIVE配信】と【アーカイブ配信:3/22~3/31(何度でも受講可能)】がございます。

【LIVE配信のお申込み~視聴まで】
1)LIVE配信の視聴をご希望される場合は、本ページの「申し込む」ボタンよりお申し込み下さい。請求書は2営業日以内に発送します。
2)LIVE配信セミナー前日までに必ず動作確認をお願いします。Zoom接続テストの手順こちらをご覧ください。
3)開催日数日前にLIVE配信セミナーへの招待メールとテキスト(PDF)をお送りいたします。
  当日のLIVE配信セミナー開始10分頃に招待メールに記載されている視聴用URLより
  LIVE配信セミナーにご参加ください。

【アーカイブ配信のお申込み~視聴まで】
1)アーカイブ配信の視聴をご希望される場合は、こちらの「お問い合わせ内容」に
  【220320 機械学習データ解析 アーカイブ配信申込希望】
  とご記入をお願いいたします。LIVE配信終了後、アーカイブ配信がご用意が出来次第、
  セミナー資料と動画配信のURLをご案内いたします。
2)視聴期間の間は何度でも繰り返し視聴いただけます。
3)視聴期間の間はセミナーの内容に限り、メールにて弊社経由で講師に質問をすることが出来ます。

 ※【LIVE配信+アーカイブ配信】に申込希望の方はこちらの「お問い合わせ内容」に
  【220320 機械学習データ解析 LIVE+アーカイブ配信申込希望】
  とご記入をお願いいたします。

 無断転載、二次利用や講義の録音、録画などの行為を固く禁じます。
講座の内容
受講対象・レベル
・材料開発者
・実験データ解析手法の幅を広げたい方
・スペクトル解析の背後にある数理の基礎を学びたい方
・解析ソフトウェア開発等に携わる方
 
習得できる知識
・機械学習を利用した材料スペクトルデータ解析に関する基礎知識
・機械学習を活用した研究手法に関する基礎知識
 
趣旨
 近年では物質・材料に関するスペクトルデータを大量に取得できる装置環境が整ってきているが、複雑な形状をとるものや、フィッティングにかかる手間などから網羅的に解析を実施することが困難になってきている。
 本講義では、取得したデータからの情報抽出のための機械学習活用について、機械学習の数理的な側面も交えながら基礎的な内容を紹介する
 
プログラム

1.マテリアルズ・インフォマティクス概要
 1) 機械学習の基礎
 2) 機械学習応用の流れと課題設定の重要性
 3) 代表的な機械学習応用事例の紹介
 4) 物質・材料データの特徴と注意点
 5) 「分かりたい」のか「見つけたい」のか?
 6) 情報科学市民権
 7) 物質科学の立場として忘れてはいけないこと

2.スペクトルデータの低次元化とクラスター解析
 1) 高次元データとしてのスペクトルと低次元化の重要性
 2) 分類:教師あり学習と教師なし学習
 3) 特徴空間と類似度
 4) 特徴空間の解釈性と表現性
 5) 主成分解析によるスペクトルの低次元化
 6) k-means法によるスペクトルの分類
 7) 階層的クラスタリングによるスペクトルの分類

3.予測(回帰):予測モデルとモデル選択
 1) 予測・モデル選択の応用例
 2) モデル推定の種類(最尤法, MAP推定, ベイズ推定)
 3) 確率論的にみた回帰と正則化
 4) 非線形モデリングの困難
  a) マルコフ連鎖モンテカルロ法によるパラメータ最適化
  b) 情報量基準によるモデル選択
  c) 解析事例

4.スペクトル解析のためのEMアルゴリズムによるピーク検知
 1) ピーク検知のための処理フロー
 2) 非線形最小二乗法の困難
 3) 回帰と分布推定の違い
 4) ガウス分布の最尤推定
 5) EMアルゴリズムによる最尤推定
 6) スペクトル解析のための改良EMアルゴリズム
 7) 解析事例

キーワード
マテリアルズインフォマティクス、機械学習、スペクトルデータ、解析、回帰、モデル、材料、開発
関連するセミナー
関連する書籍
関連する通信講座
関連するタグ
フリーワード検索