Pythonで学ぶ実験計画法入門
ベイズ最適化によるデータ解析
内容紹介
もう実験で疲弊しない。ベイズ最適化とPythonを駆使して、効率よく研究・開発を進めよう！ データ解析の初歩から、モデルの設計、実践的な応用まで導く。実験時間が限られる今、絶対に役立つスキルが身につく！
目次
第1章 データ解析・機械学習を活用した分子設計・材料設計・プロセス設計・プロセス管理
1-1 ケモ・マテリアルズ・プロセスインフォマティクス
1-2 分子設計
1-3 材料設計
1-4 なぜベイズ最適化が必要か
1-5 プロセス設計
1-6 プロセス管理
1-7 データ解析・人工知能（モデル）の本質
第2章 実験計画法
2-1 なぜ実験計画法か
2-2 実験計画法とは
2-3 適応的実験計画法
2-4 必要となる手法・技術
第3章 データ解析や回帰分析の手法
3-1 データセットの表現
3-2 ヒストグラム・散布図の確認
3-3 統計量の確認
3-4 特徴量の標準化
3-5 最小二乗法による線形重回帰分析
3-6 回帰モデルの推定性能の評価
3-7 非線形重回帰分析
3-8 決定木
3-9 ランダムフォレスト
3-10 サポートベクター回帰
3-11 ガウス過程回帰
第4章 モデルの適用範囲
4-1 モデルの適用範囲とは
4-2 データ密度
4-3 アンサンブル学習
第5章 実験計画法・適応的実験計画法の実践
5-1 実験候補の生成
5-2 実験候補の選択
5-3 次の実験候補の選択
5-4 ベイズ最適化
5-5 化学構造を扱うときはどうするか
第6章 応用事例
6-1 複雑な非線形関数を用いた実験計画法・適応的実験計画法の実践
6-2 分子設計
6-3 材料設計
6-4 プロセス設計
第7章 さらなる深みを目指すために
7-1 Gaussian Mixture Regression（GMR）
7-2 GMR-Based Optimization（GMRBO）（GMRに基づく適応的実験計画法）
7-3 複雑な非線形関数を用いたGMRBOの検証
第8章 数学の基礎・Anaconda・Spyder
8-1 行列やベクトルの表現・転置行列・逆行列・固有値分解
8-2 最尤推定法・正規分布
8-3 確率・同時確率・条件付き確率・確率の乗法定理
8-4 AnacondaとRDKitのインストール・Spyderの使い方