【ご専門】単分子計測、単分子インフォマティクス
【講演ポイント】
近年、機械学習分野の発展は著しく、実験データを、機械学習を用いて解析することが求められるようになってきました。本セミナーではプログラミングの初学者を対象に、講義・演習を通して、実験データを解析する技能を身に着けることを目的とします。
本セミナーではPythonを用います。Pythonの基礎的な文法や機械学習や数値計算に広く用いられるライブラリやその使用法を紹介します。また、機械学習とは何か、何ができるのかを講義で学び、演習では実験データを想定したデータの解析を行います。演習課題は、初学者でも実行できるように、サンプルコードも用意します。
本セミナーでは実験データを解析できるようになることを主眼におき、単にプログラミングの仕方にとどまらず、実験データの解釈のための可視化の方法や、実験、解析の計画設計のための手順、実験データを解析する際に起こりうる失敗事例の紹介を行い、受講者が実験データを解析するための知識を授けます。
【習得できる知識】
・実験データを解析するためのPythonプログラミング
・機械学習の基礎
・実験データの解析の指針の立て方
【プログラム】
１．Pythonの基礎
1-1 Pythonとは
1-1-1 プログラミングの基礎
1-1-2 プログラムが動かない場合のトライ＆エラー
1-2 Pythonの基本的な文法
1-2-1 値の代入
1-2-2 変数の型
1-2-3 リスト
1-2-4 条件分岐if文
1-2-5 ループfor文
1-2-6 コンピュータの数値の取り扱いにおける注意
1-2-7 関数
1-2-8 クラス
1-3 数値計算、描画ライブラリの紹介
1-3-1 ライブラリの読み込み
1-3-2 数値計算ライブラリnumpy
1-3-3 ライブラリの使用
1-3-4 書き方がわからない場合は
1-3-5 テキストデータの読み込み
1-3-6 データの読み込みpandas
1-3-7 結果の可視化
1-4 演習 実験データの可視化
1-4-1 numpyに慣れる
1-4-2 データの可視化
２．機械学習の基礎と実践
2-1 機械学習とは
2-1-1 用語の解説
2-1-2 機械学習の種類と何ができるかの解説
2-1-3 機械学習で用いるデータ
2-2 実験データの解析例
2-2-1 分析化学におけるAI
2-2-2 教師なし学習
2-2-3 教師あり学習
2-2-4 回帰に用いるデータのイメージ
2-2-5 分類に用いるデータのイメージ
2-2-6 次元削減
2-2-7 クラスタリング
2-2-8 分類、回帰アルゴリズム
2-2-9 ディープラーニング
2-2-10 ディープラーニングを使った次元削減
2-2-11 生成AI
2-2-12 説明可能なAI
2-3 機械学習を行うためのプロセス、注意点
2-3-1 機械学習を用いた解析の一連のプロセス
2-3-2 目的の設定
2-3-3 良い機械学習とは何か
2-3-4 データの収集
2-3-5 データの前処理
2-3-6 アルゴリズムの選定
2-3-7 モデルの評価と過学習について
2-3-8 機械学習プロセスのまとめ
2-3-9 モデルケース
2-4 機械学習ライブラリの紹介、使い方
2-4-1 scikit-learnを用いた機械学習
2-4-2 深層学習用ライブラリの紹介
2-5 演習 機械学習を用いたデータ分析
2-5-1 分類
2-5-2 回帰
2-5-3 クラスタリング
2-5-4 解析で気を付けるポイント
３．生成AIを用いたプログラミング支援-実習
3-1 生成AIを利用したコード作成
3-2 コード作成の注意点
3-3 演習
【質疑応答】
|
