★ 材料科学研究や材料開発において第一原理計算や機械学習モデルをどのように有効活用できるか？
★ データの整理・加工、AIや機械学習利用へ整備・基盤化するには！
アーカイブ配信付
１．第一原理計算
1.1 原子シミュレーションの歴史
1.2 第一原理計算の概要
1.3 第一原理計算による物性解析
２．LightGBM
2.1 決定木回帰
2.2 アンサンブル学習
2.3 勾配ブースティング決定木
2.4 LightGBMのアルゴリズム
３．マテリアルデータエンジニアリング
3.1 特徴量エンジニアリング
3.2 材料記述子の生成
４．LightGBMを活用したデータ分析
4.1 データセットの作成：California housing dataset
4.2 データセットの分析
4.2.1 ヒストグラム
4.2.2 相関係数
4.2.3 散布図
4.3 LightGBM回帰の予測モデル
4.4 予測モデルの分析
4.4.1 Feature Importance
4.4.2 Shapley Additive exPlanations（SHAP）
4.5 ハイパーパラメータ最適化
4.5.1 グリッドサーチ
4.5.2 ランダムサーチ
4.5.3 ベイズ最適化
５．マテリアルデータエンジニアリングの活用事例（1）
：超伝導体の臨界温度の予測モデル
5.1 データセットの作成：Superconductivity Data
5.2 データセットの分析
5.3 LightGBM回帰の予測モデル
5.4 予測モデルの分析
5.5 次元削減
5.5.1 Sequential Feature Selection
5.5.2 Recursive Feature Elimination
６．マテリアルデータエンジニアリングの活用事例（2）
：熱電材料の性能指数の予測モデル
6.1 データセットの作成：熱電性能指数のデータセット
6.2 データセットの分析
6.3 特徴量エンジニアリング1：新しい特徴量の生成
6.3.1 Variance Inflation Factor（VIF）
6.3.2 多項式・交互作用の特徴量の生成
6.4 ハイパーパラメータ最適化
6.5 特徴量エンジニアリング2：次元削減
6.6 LightGBM回帰の予測モデル
6.7 予測モデルの分析
□質疑応答□