9/28 材料研究課題を解決するための マテリアルズ・インフォマティクス入門

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

２．MI環境構築：Python
　1) MIの研究環境
　2) OSの分類
　3) ユーザーインターフェース
　4) プログラム開発・実行環境
　　a) 隔離環境の構築
　　b) Windows subsystem for Linux
　　c) Package Manager
　　d) Anacondaのインストール
　　e) Homebrewを用いた整備
　　f) Python仮想環境
　　g) Jupyter notebook
　　h) markdown
　　i) Python package管理
　　j) 自作関数の再利用

３．MI環境構築：Github
　1) バージョン管理システム
　2) git
　3) ホスティングサービス
　4) GUIソフトウェア
　5) Gitコマンド
　　a) init, clone
　　b) commit
　　c) branch
　　d) merge
　　e) push
　　f) push
　　g) fetch 
　　h) pull

４．分類：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

５．データ解析：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
　8) EMアルゴリズムとしてのk-means法
　9）ベイズ推論への展開と変分ベイズ推定によるモデル選択

６．データ活用：ベイズ最適化の概要と応用
　1) ベイズ最適化でやりたいこと
　2) ベイズ最適化を使った研究事例
　3) ベイズ最適化の作業フロー
　　a) 予測曲線を確率的に引く（ガウス過程回帰）
　　b) 「活用」と「探索」による候補点探索（獲得関数）
　　c) ベイズ最適化を実施する際の課題

□質疑応答 

キーワード：予測, 分類, 分布推定, ベイズ最適化, 機械学習ポテンシャル, スペクトルデータ解析