マテリアルズインフォマティクスのための応用数学

個数:
電子版価格
¥3,960
  • 電子版あり

マテリアルズインフォマティクスのための応用数学

  • ウェブストアに21冊在庫がございます。(2026年11月16日 11時31分現在)
    通常、ご注文翌日~2日後に出荷されます。
  • 出荷予定日とご注意事項
    ※上記を必ずご確認ください

    【ご注意事項】 ※必ずお読みください
    ◆在庫数は刻々と変動しており、ご注文手続き中に減ることもございます。
    ◆在庫数以上の数量をご注文の場合には、超過した分はお取り寄せとなり日数がかかります。入手できないこともございます。
    ◆事情により出荷が遅れる場合がございます。
    ◆お届け日のご指定は承っておりません。
    ◆「帯」はお付けできない場合がございます。
    ◆画像の表紙や帯等は実物とは異なる場合があります。
    ◆特に表記のない限り特典はありません。
    ◆別冊解答などの付属品はお付けできない場合がございます。
  • ●3Dセキュア導入とクレジットカードによるお支払いについて
    ●店舗受取サービス(送料無料)もご利用いただけます。
    ご注文ステップ「お届け先情報設定」にてお受け取り店をご指定ください。尚、受取店舗限定の特典はお付けできません。詳細はこちら
  • サイズ A5判/ページ数 272p/高さ 21cm
  • 商品コード 9784320072053
  • NDC分類 501.4
  • Cコード C3050

出版社内容情報

 材料科学(材料開発・計測)に関連した分野において、データサイエンスの手法を利用した研究が発展しつつある。データサイエンスに利用されるのは、統計学を基礎とした情報科学の解析法であり、これを材料科学に利用した分野の総称として「マテリアルズインフォマティクス」と呼ばれている。近年の人工知能(AI)の発展において、情報科学の果たした役割は大きいが、すべてのAI技術がそのまま材料科学に転用できるわけではない。
 本書では、多数ある情報科学のツールから材料科学に有効活用される技術を中心に、基礎となる統計学的な解析方法から始まり、さらにその利用形態について考えながら、これからマテリアルズインフォマティクスに取り組もうと考えている読者の入門書を目指した。
 昨今では、AIブームの影響からデータサイエンスの解説書が数多く出版され、既存の良書も数多く存在する。それらと比較した本書の特徴は、一般書よりも「教師なし学習」に関する話題の割合を多く扱っていることである。データサイエンスにおける機械学習は、既知の結果(見本)に基づく「教師あり学習」と見本の存在しない「教師なし学習」に分類される。材料科学分野、とりわけ新材料の研究においては見本が存在するとは限らないので、必然的に「教師なし学習」の手法がより重要となる訳である。
 本書は最新のデータサイエンスの手法を解説する専門書ではなく、大学生などがマテリアルズインフォマティクスを実施するのに必要な内容を理解するための教科書である。したがって、統計学を基礎とした応用数学の方法を具体的な数式を用いながら学んでいくことを目指した。


【目次】

はじめに -MIの入り口を前にして-
◆マテリアルズインフォマティクスとは / ◆人工知能とMI / ◆AIの周辺◆パターン認識技術の発展 / ◆AIの特性を鑑みたMIの注意点◆従来型材料研究とMIの比較 / ◆機械学習の方法◆本書の利用目的 / ◆本書の構成

第Ⅰ部 解析の基礎

第1章 データの基本的取り扱い
なぜ最小2乗法を使うのか?
1.1 データの性質
  1.1.1 回帰と最小2乗法
  1.1.2 最小2乗法が与える平均の様子
1.2 最小2乗法
  1.2.1 最小2乗法で計算する数式の導出
  1.2.2 連立方程式の解法
1.3 最小2乗法の一般化
  1.3.1 高次多項式への適用
  1.3.2 連立方程式の解法再び
  1.3.3 逆行列の件
1.4 データ平均の精度
  1.4.1 統計におけるサンプル数の問題
  1.4.2 1/Nプロット
1.5 データトレンドを確認する方法
  1.5.1 関数形の選択問題
  1.5.2 対数プロットの導入事例と背景
  1.5.3 物理法則を考慮した関数の選択
  1.5.4 座標系による誤差の評価

第2章 データの品質と解析結果の信頼性
データを疑ってみる習慣
2.1 交差検証
  2.1.1 2次関数による回帰
  2.1.2 データのサンプリング
  2.1.3 データ分割による汎化誤差
  2.1.4 ホールドアウト法から交差検証へ
  2.1.5 実例による3分割交差検証のまとめ
2.2 学習の目的
  2.2.1 データの信頼性と統計分布
  2.2.2 機械学習の目的
  2.2.3 データ分布の確認
2.3 学習の効果
  2.3.1 データ分布の確認
  2.3.2 バイアスとブートストラップ

第3章 データ分布の特徴抽出
なぜ次元削減を使うのか?
3.1 分散共分散行列
  3.1.1 データ分布の把握
  3.1.2 データ項目のばらつき
  3.1.3 分散共分散行列の定義
  3.1.4 相関係数
3.2 主成分分析 (PCA)
  3.2.1 データ相関の確認
  3.2.2 主成分分析 (PCA) の手順1(固有値の計算)
  3.2.3 主成分分析 (PCA) の手順2(固有ベクトルの計算)
  3.2.4 主成分分析 (PCA) の手順3(寄与率)
  3.2.5 座標変換と主成分得点
  3.2.6 累積寄与率と情報量
  3.2.7 次元削減
  3.2.8 具体例における解析結果の確認
3.3 計測におけるPCA
  3.3.1 スペクトル計測への利用
  3.3.2 スペクトルデータ

目次

第1部 解析の基礎(データの基本的取り扱い;データの品質と解析結果の信頼性;データ分布の特徴抽出)
第2部 機械学習を支える技術(クラスタリング、分類と判別;信頼性を担保したデータトレンドの予測;ベイズ統計の考え方;ガウス過程回帰;脳機能の模型化とニュートラルネットワーク)
第3部 機械学習を補助する技術(モンテカルロ法;仮想スクリーニングとデータ同化)

著者等紹介

三俣千春[ミツマタチハル]
1988年 東北大学大学院理学研究科物理学専攻前期課程修了。現職 筑波大学数理物質系 教授(本データはこの書籍が刊行された当時に掲載されていたものです)
※書籍に掲載されている著者及び編者、訳者、監修者、イラストレーターなどの紹介情報です。

最近チェックした商品