• 2025年09月30日(火) 10:30 ~ 17:30

１．データ駆動科学概要
　　（１）．情報科学の活用に至った経緯
　　（２）．機械学習の概要
　　（３）．データ駆動科学について
　　　　ａ．データ駆動科学の要素：データ生成
　　　　ｂ．データ駆動科学の要素：データ蓄積
　　　　ｃ．データ駆動科学の要素：データ活用
　　（４）．機械学習応用の流れと課題設定の重要性
　　（５）．材料分野を例にしたデータ駆動科学実施の注意点
　　（６）．データ駆動科学の実現に必要な情報科学市民権

２．データ駆動科学のための基礎：データ解析実行環境
　　（１）．データ駆動科学の実施環境
　　（２）．OSの分類
　　（３）．ユーザーインターフェース
　　（４）．プログラム実行環境
　　　　ａ．Python
　　　　ｂ．WSL2
　　　　ｃ．Package manager
　　　　ｄ．Jupyter lab

３．データ駆動科学のための基礎：データベース
　　（１）．データベース構築の３つの目的
　　（２）．データベースの種類
　　（３）．フラットファイルフォーマット
　　（４）．ツリー構造を利用したデータ蓄積事例
　　（５）．電子ラボノートの事例
　
４．データ駆動科学のための基礎：ソフトウェア開発環境
　　（１）．ソフトウェアの開発の目的
　　（２）．開発コストの見積もり
　　（３）．デスクトップアプリとウェブアプリ
　　（４）．フロントエンドとバックエンド
　　　　ａ．ウェブアプリ開発：Django
　　　　ｂ．ウェブアプリ開発：Streamlit
　　　　ｃ．ウェブアプリ開発：JavaScript
　　　　ｄ．ウェブアプリ開発：SQL
　　　　ｅ．ウェブアプリ開発：noSQL
　　（５）．アジャイル開発という考え方

５．データ駆動科学の実践：ベイズ最適化の応用
　　（１）．ベイズ最適化の背後にある数理
　　（２）．ベイズ最適化を実施するための環境整備
　　　　ａ．GPyOpt
　　　　ｂ．OPTUNA
　　　　ｃ．PHYSBO
　　（３）．材料科学での事例自律実験装置とAIソフトウェア

６．データ駆動科学の実践：予測モデルに対するスパースモデリング
　　（１）．予測・モデル選択の応用例
　　（２）．「モデル」と「損失関数」
　　（３）．線形回帰とカーネル法の違い
　　（４）．損失関数の変更によるモデル選択
　　（５）．交差検証によるモデル評価
　　（６）．モデル推定の種類（最尤法、MAP推定、ベイズ推定）
　　（７）．スパース性とＬＯ、Ｌ１正則化
　　（８）．説明可能性と特徴量選択
　　　
７．データ駆動科学の実践：スパースモデリングとしての低次元化とクラスタリング
　　（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）．特徴空間と類似性
　　（４）．主成分解析によるスペクトルの低次元化
　　（５）．k-means法によるスペクトルの分類
　　（６）．階層的クラスタリングによるスペクトルの分類

８．データ駆動科学の応用：高速スペクトル解析技術とスパースモデリング
　　（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）．ＥＭアルゴリズムによる最尤推定
　　（４）．スペクトル解析のための改良EMアルゴリズム
　　（５）．解析事例とスペクトル解析に対するスパースモデリング

オンラインセミナー