関連サイト
本書の関連ページが用意されています。
内容紹介
本書は新化学技術推進協会で開催されている「化学×デジタル人材育成講座」の講義資料を基に、ものづくりの現場において役立つRプログラミングを習得することを目指して構成されている。
準備編、統計・検定編、機械学習編、より高度な機械学習編の4部構成で順に学びながら、100本以上のプログラム演習を通してケモ・マテリアルズ・インフォマティクスの基礎を理解する。
初学者のために陥りがちなトラブル対策や使用する関数を一覧で掲載するなど、痒いところに手が届く充実の一冊。
書誌情報
- 著者: 高田 章, 金谷 重彦, 牛島 知彦, 福井 祥文, 小野 直亮
- 発行日: 2022-07-30
- 最終更新日: 2022-07-30
- バージョン: 1.0.0
- ページ数: 386ページ(PDF版換算)
- 対応フォーマット: PDF, EPUB
- 出版社: 近代科学社
対象読者
ケモインフォマティクス,マテリアルズインフォマティクス,R,プログラミング,データサイエンス,機械学習,深層学習,強化学習,統計,検定,ポアソン分布,二項分布,カイ二乗分布,ノンパラメトリック分布,相関係数,回帰分析,正則化,最小二乗法,教師あり学習,教師なし学習に興味がある人
著者について
高田 章
東京大学工学部計数工学科卒，ロンドン大学University College London (UCL) PhD 取得
現在，ロンドン大学UCL 特任教授，愛媛大学大学院理工学研究科客員教授，日本学術会議連携会員，新化学技術推進協会技術顧問，英国ガラス協会フェロー，日本応用数理学会フェロー
専門分野：応用数理，計算物質科学
著書：「高校生のための東大授業ライブー学問からの挑戦」東京大学出版会(2015)（分担執筆），「ナノマテリアル工学体系ニューセラミックス・ガラス」フジ・テクノシステム(2005)（分担執筆），“Encyclopedia of Glass Science, Technology, History and Culture”, Wiley (2021)（編集・分担執筆），“Teaching Glass Better” Cyan (2018)（編集・分担執筆）他
金谷 重彦
東京理科大学応用生物科学科卒，豊橋技術科学大学・材料システム工学博士号取得
現在，奈良先端科学技術大学院大学・情報科学研究科・計算システムズ生物学研究室・教授，東京農業大学総合研究所研究会・食・農データサイエンス部会長，新化学技術推進協会技術顧問
専門分野：ケモインフォマティックス，バイオインフォマティックス
著書：「実践R ケモ・マテリアル・データサイエンス」シーエムシー・リサーチ(2010)（共著）
牛島 知彦
中央大学応用化学科卒，東京大学大学院理学系研究科博士課程前期修了（化学専攻）
現在，日本ゼオン株式会社基盤技術研究所研究員
専門分野：計算化学，ケモインフォマティックス
福井 祥文
大阪大学工学部応用精密化学科卒，同工学研究科応用精密化学専攻博士課程前期修了，同博士（工学）取得現在，株式会社カネカR&B 本部テーマ推進&DX 室長
専門分野：有機合成化学，高分子合成化学
小野 直亮
東京大学教養学部基礎科学科第一卒，同大学総合文化研究科広域科学専攻博士号（学術）取得
現在，奈良先端科学技術大学院大学データ駆動型サイエンスセンター准教授
専門分野：ケモインフォマティックス，バイオインフォマティックス，深層学習
著書：「実践R ケモ・マテリアル・データサイエンス」，シーエムシー・リサーチ(2010)（共著）
目次
第I部 準備
第1章 ケモ・マテリアルズ・インフォマティクス事始め
- 1.1 ケモ・マテリアルズ・インフォマティクスとは？
- 1.2 R プログラミングを活用できる場面
- 1.3 R 言語とプラットフォームのインストール
第2章 データハンドリング〜Rプログラミングの基礎事項〜
- 2.1 事前学習
- 2.2 外部ファイルとの間のデータの入出力
- 2.3 ベクトル・行列・リストの操作と応用
- 2.4 グラフィックスを用いたデータの可視化
- 2.5 まとめ
第II部 統計・検定
第3章 離散型データ（計数データ）の分析
- 3.1 事前学習
- 3.2 二項分布とそれを利用した検定
- 3.3 超幾何分布とそれを利用した検定
- 3.4 ポアソン分布
- 3.5 まとめ
第4章 連続型データ（計量データ）の分析
- 4.1 事前学習
- 4.2 正規分布の特性と応用
- 4.3 カイ二乗分布の特性と応用
- 4.4 t 分布の特性と応用
- 4.5 t 分布を利用した2 組のデータの比較
- 4.6 ノンパラメトリック統計検定
- 4.7 分割表を利用した独立性の検定・適合性の検定
- 4.8 サンプル数に応じた検定手法の選択
- 4.9 まとめ
第III部 機械学習で始めるデータマイニング—データに潜む相互関係を見つけ予測・発見につなげよう—
第5章 データに潜む類似度・距離の分析—相関・距離・クラスターの視点から—
- 5.1 事前学習
- 5.2 相関分析
- 5.3 主成分分析・多次元尺度構成法・自己組織化マップ
- 5.4 クラスター分析
- 5.5 まとめ
第6章 データに潜む変数間の関係をモデル化する手法—回帰分析の視点から—
- 6.1 事前学習
- 6.2 線形重回帰分析
- 6.3 部分最小二乗法(PLS)
- 6.4 正則化を利用した回帰（正則化最小二乗法）
- 6.5 まとめ
第7章 識別・分類・認識に役立つモデル化手法—教師あり機械学習の視点から—
- 7.1 事前学習
- 7.2 教師なし学習
- 7.3 判別分析
- 7.4 k 最近傍法（kNN 法）
- 7.5 ナイーブベイズモデル
- 7.6 決定木モデル
- 7.7 ニューラルネットワークモデル
- 7.8 サポートベクトルマシーン
- 7.9 アンサンブル学習とランダムフォレストモデル
- 7.10 まとめ
第IV部 より高度な機械学習
第8章 化学情報処理—化学構造の解析とその応用—
- 8.1 事前学習
- 8.2 化学構造の表記法
- 8.3 rcdk パッケージの応用
- 8.4 ChemmineR・ChemmineOB パッケージの応用
- 8.5 まとめ
第9章 深層学習（ディープラーニング）
- 9.1 事前学習
- 9.2 ニューラルネットワークの基本要素
- 9.3 ニューラルネットワークの構築
- 9.4 実データによる学習
- 9.5 畳み込みニューラルネットワーク
- 9.6 まとめ