mojiru【もじをもじる】

「mojiru」はこのブログ名。「もじる」は著名な言い回しに似せて表現すること。ブログでは、本・映画・グルメなどのヒット商品や気になったトレンドを文字をもじったりもじらなかったしながら、フォントを使ったり使わなかったりしながら取り上げていく。更新頻度は1日1回が基本です。[もじる使用例]1.吾輩は下戸である。お酒は飲めない。2.太閤がまずしかったから。3.棋士の一二三に惨敗。

ChatGPTを使ってマテリアルズインフォマティクスを実践できる一冊

【スポンサーリンク】

改訂版 Pythonではじめるマテリアルズインフォマティクス ChatGPTを活用しよう

改訂版 Pythonではじめるマテリアルズインフォマティクス

インプレスグループで理工学分野の専門書出版事業を手掛ける近代科学社は、2025年1月31日に、近代科学社が著者とプロジェクト方式で協業する、デジタルを駆使したオンデマンド型の出版レーベルである近代科学社Digitalレーベルより、木野日織氏、DAM Hieu-Chi氏著書による、Pythonを使ったマテリアルズインフォマティクスの手法として、物質科学に関するデータ(特に無機物質)を主に扱い、データ解析学の基礎から非等長説明変数を用いるアルゴリズムまでをまとめた一冊『改訂版 Pythonではじめるマテリアルズインフォマティクス』を発売した。


木野日織Profile

1991年東京大学理学部物理学科卒
1996年東京大学大学院理学系研究科博士課程卒(理学博士)

1996年東京大学物性研究所物性理論部門助手などを経て 2002 年から(国)物質・材料研究機構に勤務する。

2015年からの国立研究開発法人科学技術振興機構(JST)イノベーションハブ構築支援事業の一環として(国)物質・材料研究機構に情報統合型物質・材料開発イニシアティブ (MI2I) 発足時からデータマイニングを行う。データ駆動 AI では物性物理の知識を活かした説明・解釈可能な AI 技術、第一原理計算によるデータ生成、そのための知識駆動 AI 技術などに興味を持つ。

 

DAM Hieu-Chi Profile

1998年東京大学理学部物理学科卒
2003年北陸先端科学技術大学院大学材料科学研究科物性科学専攻博士号
2005年10月から北陸先端科学技術大学院大学知識科学研究科講師。2011 年 4 月から同テニュア付准教授。
2020年10月から北陸先端科学技術大学院大学知識科学系教授。

学位は材料科学で取得。2005 年から材料科学とデータマイニングの融合に身を投じている。専門分野は材料科学、知識科学、計算材料科学、データサイエンス、マテリアルズインフォマティクス。データ駆動型アプローチを用いた知識抽出など、証拠理論を用いた類似度評価に興味があり、材料科学研究のための説明・解釈可能な AI 技術の開発に取り組む。

 


『改訂版 Pythonではじめるマテリアルズインフォマティクス』内容紹介

『改訂版 Pythonではじめるマテリアルズインフォマティクス』ではPythonを使ったマテリアルズインフォマティクスの手法として、物質科学に関するデータ(特に無機物質)を主に扱い、データ解析学の基礎から非等長説明変数を用いるアルゴリズムまでをまとめている。

物質科学の世界では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)場合が多く、実践でも苦労することを考慮して対応策を詳述。
改訂にあたっては「ChatGPT」を使ったPythonコード作成の補助、データ解析の構築方法などを各章に取り入れることで、Pythonを扱ったことがない初学者にとっても挑戦しやすい内容になっている。

 

 

『改訂版 Pythonではじめるマテリアルズインフォマティクス』目次

第1章 導入

 1.1 本書の目的その 1

 1.2 本書の目的その 2

 1.3 本書の目的その 3

 1.4 本書の目的その 4

第2章 理論

 2.1 予測問題

 2.2 データ解析学手法の紹介

 2.3 回帰・分類モデルの性能評価

 2.4 データ解析学手法の四過程

 2.5 説明変数の特徴の見い出し方

 2.6 予測問題(再び)

 2.7 新帰納法の世界

 2.8 LLM の利用

 2.9 LLM を用いた知識の取得例

 2.10 LLM を用いたコード生成

第3章 準備

 3.1 可視化可能な Python インタラクティブ環境

 3.2 Python 環境のインストール

 3.3 サンプルコードとデータファイルの取得とインストール

 3.4 物質データ

 3.5 データ解析の事前準備

第4章 基礎

 4.1 はじめに

 4.2 回帰

 4.3 次元圧縮

 4.4 分類

 4.5 クラスタリング

第5章 応用1(等長説明変数)

 5.1 はじめに

 5.2 次元圧縮を併用したクラスタリング

 5.3 トモグラフ像の復元

 5.4 説明変数重要性の定量評価

 5.5 モデル全探索による回帰モデル評価

 5.6 ベイズ最適化

 5.7 次元圧縮を利用した推薦システム

 5.8 画像のノイズ削除

第6章 応用2(非等長説明変数)

 6.1 はじめに

 6.2 頻出パターンマイニング

 6.3 証拠理論

付録A

 A.1 LLM に対する質問事項例

 A.2 Jupyter Notebook/Lab での Notebook ファイルの Pythonファイルへの変換方法

 

 

『改訂版 Pythonではじめるマテリアルズインフォマティクス』Amazonでの購入はこちら

 

 

『改訂版 Pythonではじめるマテリアルズインフォマティクス』楽天市場での購入はこちら※電子書籍版です

 

©mojiru All Rights Reserved. | プライバシーポリシー