工学
Pythonではじめるマテリアルズインフォマティクス
【マテリアルDXを実践するために最適な入門書！】
本書はPythonを使ったマテリアルズインフォマティクスの方法を習得するため、1．scikit-learnの使い方を学ぶ、2．プログラミングによるデータ解析手法を知る、3．帰納法の考え方に慣れる、という三つの目的から構成されています。
データ解析学で用いるアルゴリズムは各データを記述する変数の数が等しい（等長説明変数）と仮定しているため、マテリアルズインフォマティクスの世界では苦戦する場面が少なくありません。そこで物質ごとに収集できる変数の数が異なる（非等長説明変数）場合のデータ解析の仕方を紹介しており、基礎から実践までをじっくりと理解できる内容となっています。
※近代科学社Digitalのプリントオンデマンド（POD）書籍は、各書店の店舗でもご注文いただけます。受注生産となりますので、お届けまでに10日～14日ほどかかります。
電子書籍¥3,000 小売希望価格（税別）
ペーパーバック（カバーなし）¥3,000小売希望価格（税別）
単行本（カバーあり）¥3,000小売希望価格（税別）
基本情報
| 発売日 | 2022年9月23日 |
|---|---|
| ページ数 | 194 ページ ※印刷物 |
| サイズ | B5 |
| ISBN(POD) | 9784764960466 |
| ISBN (カバー付単行本) |
9784764906846 |
| ジャンル | 工学 |
| タグ | マテリアルズインフォマティクス, 近代科学社Digital |
| 電子書籍形式 | 固定型 |
主要目次
第1章 理論編
1.1 予測問題
1.2 データ解析学手法の紹介
1.3 回帰・分類モデルの性能評価
1.4 データ解析学手法の四過程
1.5 説明変数の特徴の見い出し方
1.6 予測問題（再び）
1.7 新帰納法の世界
1.8 新帰納法のフローチャート
第2章 準備編
2.1 可視化可能なPythonインタラクティブ環境
2.2 Python環境のインストール
2.3 サンプルスクリプトとデータファイルの取得とインストール
2.4 物質データ
2.5 事前準備
第3章 基礎編
3.1 はじめに
3.2 回帰
3.3 次元圧縮
3.4 分類
3.5 クラスタリング
第4章 応用編1（等長説明変数)
4.1 はじめに
4.2 次元圧縮を併用したクラスタリング
4.3 トモグラフ像の復元
4.4 説明変数重要性の定量評価
4.5 モデル全探索による回帰モデル評価
4.6 ベイズ最適化
4.7 次元圧縮を利用した推薦システム
第5章 応用編2（非等長説明変数）
5.1 はじめに
5.2 頻出パターンマイニング
5.3 証拠理論
付録A
1.1 予測問題
1.2 データ解析学手法の紹介
1.3 回帰・分類モデルの性能評価
1.4 データ解析学手法の四過程
1.5 説明変数の特徴の見い出し方
1.6 予測問題（再び）
1.7 新帰納法の世界
1.8 新帰納法のフローチャート
第2章 準備編
2.1 可視化可能なPythonインタラクティブ環境
2.2 Python環境のインストール
2.3 サンプルスクリプトとデータファイルの取得とインストール
2.4 物質データ
2.5 事前準備
第3章 基礎編
3.1 はじめに
3.2 回帰
3.3 次元圧縮
3.4 分類
3.5 クラスタリング
第4章 応用編1（等長説明変数)
4.1 はじめに
4.2 次元圧縮を併用したクラスタリング
4.3 トモグラフ像の復元
4.4 説明変数重要性の定量評価
4.5 モデル全探索による回帰モデル評価
4.6 ベイズ最適化
4.7 次元圧縮を利用した推薦システム
第5章 応用編2（非等長説明変数）
5.1 はじめに
5.2 頻出パターンマイニング
5.3 証拠理論
付録A