2021年03月31日（水）
10:30～17:30
Tel：03-5857-4811 E-mail：info@rdsc.co.jp
問い合わせフォーム
非会員：
49,500円
（本体価格：45,000円）
会員：
44,000円
（本体価格：40,000円）
学生：
49,500円
（本体価格：45,000円）
1名につき 49,500円（税込）※ 資料付
メール会員登録者は 44,000円（税込）
★【メール会員特典】2名以上同時申込で申込者全員メール会員登録をしていただいた場合、2名目は無料、3名目以降はメール価格の半額です。
★ セミナーお申込み後のキャンセルは基本的にお受けしておりません。ご都合により出席できなくなった場合は代理の方がご出席ください。
・本セミナーは、当日ビデオ会議ツール「Zoom」を使ったライブ配信セミナーとなります。
お申し込み前に、下記リンクから視聴環境をご確認ください。
→
https://zoom.us/test
・当日はリアルタイムで講師へのご質問も可能です。
・タブレットやスマートフォンでも視聴できます。
・お手元のPC等にカメラ、マイク等がなくてもご視聴いただけます。この場合、音声での質問はできませんが、チャット機能、Q&A機能はご利用いただけます。
・ただし、セミナー中の質問形式や講師との個別のやり取りは講師の判断によります。ご了承ください。
・「Zoom」については
こちらをご参照ください。
・化学・産業界において、インフォマティクスを活用して材料開発（および化学品開発）に従事している研究者・技術者
・材料開発（および化学品開発）にインフォマティクスを今後活用しようと考えている研究者・技術者
・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・活用の仕方 ・データ解析の応用事例 ・最新のデータ解析手法・モデリング手法
・モデルの予測精度向上の方法
・モデルの逆解析の方法
近年、化学の分野や産業全般においてデータが蓄積されつつあり、そのデータを解析する動きが活発になっている。例えば高機能性材料を開発する際、化合物データを用いて化学構造と物性・活性・特性との間の関係をモデル化することで、化合物を合成したり合成後に物性値を測定したりする前に、化学構造から物性値を推定でき、逆に良好な物性値をもつ化学構造の設計もできる。さらに、製造条件とその製造の結果としての製品品質との間の関係をデータからモデル化することで、望ましい品質を達成するための製造条件を探索できる。高機能性材料を製造する際、センサー等で容易に測定可能なプロセス変数と測定が困難な製品品質との関係をデータからモデル化することで、製品品質の値をリアルタイムに推定し、迅速かつ安定に制御・管理ができる。このように、高機能性材料などの開発データ、化学・産業プラントにおける運転データなど、蓄積されたデータは非常に有用であるが、十分に活用しきれていない。本セミナーでは、化学・産業データの使い方・解析の仕方を基礎から解説する。情報科学・データサイエンスに基づき、データから種々の材料の機能を予測するモデルを構築したり、構築したモデルを活用することで新たな構造・実験条件・材料・装置を設計したりする方法を説明する。さらに、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を中心にして豊富な応用事例も紹介する。
1. 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基礎知識
1.1. 機械学習・人工知能
1.2. 定量的構造物性相関・定量的構造活性相関
1.3. 化学構造生成
1.4. 分子設計
1.5. 材料設計
1.6. プロセス設計
1.7. プロセス管理
1.8. ケモインフォマティクス
1.9. マテリアルズインフォマティクス
1.10. プロセスインフォマティクス
2. 化学・産業データ解析の進め方・活用方法
2.1. データの形式、記述子
2.2. データの前処理
2.2.1. 標準化
2.2.2. 変数選択
2.2.3. スムージング (平滑化)
2.3. データの可視化・低次元化
2.3.1. 主成分分析 (Principal Component Analysis, PCA)
2.3.2. Generative Topographic Mapping (GTM)
2.3.3. 多様体学習
2.3.4. 可視化の性能を検討するための指標
2.4. クラスタリング
2.4.1. 階層的クラスタリング
2.4.2. k平均法 (k-means)
2.4.3. 混合ガウスモデル (Gaussian Mixture Model, GMM)
2.5. クラス分類
2.5.1. 線形判別分析 (Linear Discriminant Analysis, LDA)
2.5.2. 決定木 (Decision Tree, TD)
2.5.3. ランダムフォレスト (Random Forest, RF)
2.5.4. サポートベクターマシン (Support Vector Machine, SVM)
2.6. 回帰分析
2.6.1. 最小二乗法による重回帰分析 (Multiple Linear Regression (MLR) or Ordinary Least Squares (OLS) )
2.6.2. 部分的最小二乗法 (Partial Least Squares, PLS)
2.6.3. 決定木 (Decision Tree, DT)
2.6.4. ランダムフォレスト (Random Forest, RF)
2.6.5. サポートベクター回帰 (Support Vector Regression, SVR)
2.7. モデルの予測性能の向上
2.7.1. アンサンブル学習
2.7.2. 半教師あり学習 (半教師付き学習)
2.8. モデルの適用範囲
2.8.1. データ範囲
2.8.2. データ中心からの距離
2.8.3. データ密度
2.8.4. アンサンブル学習
2.9. モデルの逆解析
2.9.1. グリッドサーチ
2.9.2. サンプリング
2.9.3. ベイズの定理
2.10. 実行するためのプログラム紹介
3. 分子設計・材料設計・プロセス設計・プロセス管理に関する最新の研究事例
3.1. 化学空間の可視化に基づく分子設計
3.2. 定量的構造物性 (活性) 相関モデルの逆解析に基づく分子設計
3.3. 定量的構造物性 (活性) 相関モデルの適用範囲を考慮した分子設計
3.4. 実験計画法による材料設計?目標達成確率に基づく適応的実験計画法?
3.5. シミュレーションとインフォマティクス技術を活用したプロセス設計
4. まとめ・質疑応答
