製造業関連情報総合ポータルサイト@engineer
WEB営業力強化支援サービスのご案内
研究・技術・事業開発のためのセミナー/書籍 サイエンス&テクノロジー
イベント

12/23 マテリアルズ・インフォマティクスの基礎から実践までのポイントと事例

  • このエントリーをはてなブックマークに追加
  • @engineer記事クリップに登録
エレクトロニクス 化学・材料 エネルギー・環境・機械  / 2026年11月18日 /  化学・樹脂
イベント名 マテリアルズ・インフォマティクスの基礎から実践までのポイントと事例
開催期間 2026年12月23日(水)
10:30~16:30

【見逃し配信の視聴期間】
開催翌営業日から7日間[12/24~12/30中]を予定
※動画は未編集のものになります。
※視聴ページは、開催翌営業日にマイページへリンクを設定します。
※会社・自宅にいながら受講可能です。

※講義中の録音・撮影はご遠慮ください。
※開催日の概ね1週間前を目安に、最少催行人数に達していない場合、セミナーを中止することがございます。

■配布資料
PDFデータ(印刷可・編集不可)
※開催2日前を目安に、主催会社様HPのS&T会員マイページよりダウンロード可となります。
会場名 【Zoomによるライブ配信セミナー】アーカイブ(見逃し)配信付き
会場の住所 オンライン
お申し込み期限日 2026年12月23日(水)10時
お申し込み受付人数 30  名様
お申し込み

マテリアルズ・インフォマティクスの基礎から実践までのポイントと事例

~機械学習の基本原理・応用技術と材料開発・製造プロセスへの活用~

受講可能な形式:【ライブ配信(見逃し配信付)】のみ

受講料(税込):55,000円

\お得な割引キャンペーン実施中!/
詳細・お申し込みは「お申し込みはこちらから」よりご確認ください。

【オンライン配信】
ライブ配信 ►受講方法・接続確認(申込み前に必ずご確認ください)
アーカイブ配信 ►受講方法・視聴環境確認(申込み前に必ずご確認ください)

セミナー視聴はマイページから
お申し込み後、マイページの「セミナー資料ダウンロード/映像視聴ページ」に
お申込み済みのセミナー一覧が表示されますので、該当セミナーをクリックしてください。
(アーカイブ配信は、配信日に表示されます。)


「なぜその手法を選択するのか」「どのような場面で有効なのか」を理解し、
マテリアルズ・インフォマティクスを自社の研究開発や製造現場へ展開するために

マテリアルズ・インフォマティクスで必要な機械学習の基礎、説明可能AI、転移学習、特徴量エンジニアリングなどの
実践的な技術、さらに第一原理計算や画像解析などの関連技術までを体系的に解説

講師

大阪公立大学 大学院 情報学研究科 学際情報学専攻 教授 博士(工学) 上杉 徳照 氏

■略歴
2005年 大阪府立大学大学院工学研究科マテリアル工学分野 助手
2007年 同 助教、2013年 同 講師、2017年 同 准教授
2019年 大阪府立大学大学院人間社会システム科学研究科 准教授
2022年 大阪公立大学大学院情報学研究科 准教授
2025年 大阪公立大学大学院情報学研究科 教授
主に機械学習による材料製造プロセスの最適化、合金設計の効率化、深層学習を利用した材料画像解析などの研究に従事している。

■専門
材料情報学、マテリアルズ・インフォマティクス、機械学習、計算材料科学

セミナー趣旨

近年、AI・機械学習の発展により、材料開発や製造プロセスの最適化を目的としたマテリアルズ・インフォマティクス(MI)が注目を集めています。一方で、実際にMIを活用するためには、機械学習の基本的な考え方や適用上の注意点を理解し、対象に応じて適切な手法を選択することが重要です。
 本セミナーでは、マテリアルズ・インフォマティクスで必要となる機械学習の基礎から、説明可能AI、転移学習、特徴量エンジニアリングなどの実践的な技術、さらに第一原理計算や画像解析などの関連技術までを体系的に解説します。また、製造プロセスの最適化、画像による品質検査、破面解析、合金設計などの実践事例を通して、理論を実際の課題へ適用するためのポイントを紹介します。
 機械学習を「使う」だけでなく、「なぜその手法を選択するのか」「どのような場面で有効なのか」を理解することで、マテリアルズ・インフォマティクスを自社の研究開発や製造現場へ展開するための考え方を身に付けることを目指します。初めてMIに取り組む方から、実務で活用を進めている技術者・研究者まで、幅広い方々を対象としています。

セミナー講演内容

1.機械学習の基礎
 1)人工知能と機械学習の違い
 2)機械学習の種類(教師あり学習・教師なし学習・強化学習)
 3)回帰と分類の違いと代表的なアルゴリズム
 4)機械学習の基本的な流れ(データ収集からモデルの実装まで)
 5)データの前処理と正規化・標準化
 6)統計学と機械学習の目的と考え方
 7)訓練データ・検証データ・テストデータの分割
 8)過学習と汎化性能
 9)ホールドアウト検証と交差検証
 10)ハイパーパラメータの役割と最適化
 11)グリッドサーチとランダムサーチ
 12)ブラックボックス最適化とベイズ最適化
 13)分類問題における混同行列
 14)分類の精度評価指標(正解率・適合率・再現率・F値)
 15)回帰の精度評価指標(決定係数・RMSE・MAE)
 16)ノーフリーランチ定理とアルゴリズムの選択
 17)線形回帰・Ridge回帰・Lasso回帰
 18)ロジスティック回帰の仕組み
 19)k近傍法と決定木
 20)ランダムフォレストと勾配ブースティング
 21)サポートベクターマシンとカーネル法
 22)損失関数と勾配法による最適化
 23)ニューラルネットワークの構造とアフィン変換
 24)活性化関数と誤差逆伝播法
 25)深層学習の基礎(畳み込み層・プーリング層・ミニバッチ学習)
 26)学習データの質と量、内挿と外挿の問題

2.機械学習の応用技術
 1)教師なし学習とクラスタリング(階層型・非階層型)
 2)次元削減によるデータの可視化
 3)教師なし学習による異常検知
 4)説明可能AI(Explainable AI)の考え方と必要性
 5)大域的な説明と局所的な説明
 6)Partial DependenceとSHAPによる予測結果の解釈
 7)Grad-CAMによる画像分類根拠の可視化
 8)醜いアヒルの子の定理と特徴量の重要性
 9)課題設定とGarbage in, garbage outの考え方
 10)特徴量エンジニアリングと特徴量作成
 11)特徴量選択(フィルタ法・ラッパー法・組み込み法)
 12)過学習の抑制(正則化・ドロップアウト・バッチ正規化・早期打ち切り)
 13)データ拡張とテスト時データ拡張
 14)不均衡データへの対応(アンダーサンプリング・オーバーサンプリング)
 15)重み付き損失関数による不均衡データへの対応
 16)転移学習の種類と負の転移の問題
 17)交差検証の種類と二重交差検証
 18)予測モデルの適用範囲と外挿の判定

3.機械学習の周辺技術
 1)機械学習の用途とマテリアルズ・インフォマティクスの位置付け
 2)材料データの特徴と各種インフォマティクス
 3)相関関係と因果関係の違い
 4)擬似相関・層別解析・構造方程式モデリング
 5)シンボリック回帰による数式の発見
 6)第一原理計算の基本原理と材料設計への応用
 7)第一原理計算でできることとその限界
 8)材料設計における逆問題と機械学習による代理モデル
 9)最適化手法と多目的最適化
 10)CNNを用いた画像解析と画像の前処理
 11)画像認識におけるCNNの特徴とTransformerの応用

4.製造業への応用
 1)製造業における機械学習の活用分野
 2)アンチパターンから学ぶ機械学習導入の失敗事例
 3)課題設定とデータの有無による問題
 4)産学連携における成果公開の課題
 5)データ活用人材に求められる役割と守備範囲
 6)PoC(概念実証)の費用とゴール設定
 7)「銀の弾などない」の考え方とブルックスの法則
 8)機械学習の開発環境(Python・R・scikit-learnなど)

5.実践事例
 1)機械学習による球状黒鉛鋳鉄のMg歩留まり最適化
 2)深層学習による鋳肌の外観検査
 3)深層学習による破面画像の破壊様式分類
 4)深層学習による破面SEM画像のセグメンテーション
 5)第一原理計算からの転移学習による材料特性予測
 6)機械学習による合金組成と熱処理条件の最適化

質疑応答

※詳細・お申込みは上記
「お申し込みはこちらから」(遷移先WEBサイト)よりご確認ください。

※満席・日程終了などで参加が難しい場合は、下記「お問い合わせ」ボタンより再開催のリクエストを承っております

サイト内検索
ページカテゴリ一覧
新着ページ
月別ページ