r220320
『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】』
★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！ |
| 開催日時 |
2022年3月17日（木） 12:30～16:30 |
| 開催場所 |
【WEB限定セミナー】※会社やご自宅でご受講下さい。
|
| 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 |
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。
|
| 定 員 |
※現在、お申込み可能です。満席になり次第、募集を終了させていただきます。 |
| 備 考 |
【Zoomを使ったWEB配信セミナー受講の手順】
１）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。
２）セミナー前日までに必ず動作確認をお願いします。
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。
|
| 主 催 |
R&D支援センター |
※セミナー資料、請求書、招待メール等は、R&D支援センター社より送付いたします。
| 講師 |
（国研）産業技術総合研究所 機能材料コンピュテーショナルデザイン研究センター 主任研究員 博士（理学） 安藤 康伸 氏
＜ご専門＞
計算物質科学; マテリアルズ・インフォマティクス
＜学協会＞
日本表面真空学会; 日本物理学会; 電気化学会
＜ご略歴＞
2012年 東京大学 大学院理学系研究科 物理学専攻博士後期課程修了. 博士(理学). 同年 産業技術研究所 産総研特別研究員. 2013年 東京大学大学院 工学系研究科マテリアル工学専攻 助教を経て2016年より産業技術総合研究所 研究員. 2018年より同所 主任研究員.
|
| 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
|
|
|