＜マテリアルズ・インフォマティクスへ！＞
第一原理計算とLightGBMを活用したマテリアルデータエンジニアリングとその活用事例【WEBセミナー】

■第一原理計算・機械学習の基礎知識や主な解析手法■
■機械学習アルゴリズム：LightGBMを活用した事例■

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□