高機能性材料の開発やコンピュータシミュレーションによる設計などの研究・開発の現場において、効率的に実験・製造を実施するために実験計画法を活用することが一般的になっています。例えば5つの実験パラメータ (反応温度や反応時間など) があり、それぞれ 10 の候補の値がある場合、すべての組み合わせは 10 万通りにもなってしまいます。しかし実験計画法を用いれば、その中の数回の実験候補から実験パラメータと材料の物性・活性との間の関係性をモデル化することで、所望の物性・活性を実現するための実験候補を効率的に探索できます。
　本講座では、そのような実験計画法・適応的実験計画法の基礎および実践、そして実験計画法を実現するためのデータ解析理論を解説するだけでなく、ノートパソコンにより受講者自身で実験計画法を実施したりデータ解析によりモデル化および新しい実験の探索をしたりするための Python によるハンズオン実習を行います。実体験を通して実験計画法を理解し、今後ご自身の業務・研究で活用でき即戦力になります。なお希望者には、当日のサンプルデータ・Pythonのプログラムのファイルをすべてお渡しします。

1. 基礎統計
   1. 基礎統計量
   2. データの分布を考える
   3. t検定
   4. 分散分析
   5. 母平均の区間推定
2. 実験計画法
   1. 実験計画法とは?
   2. どのように実験計画を立てればよいか?
   3. 直交配列表
   4. いろいろな直交配列表
   5. 直交配列表の作成
   6. いろいろな最適基準
   7. 標本サイズはいくつがよいか?
3. 実験計画法の実践および適応的実験計画法
   1. 適応的実験計画法とは?
   2. どのように実験計画の立案と実験をすればよいか?
   3. 実験結果のばらつきを考える
   4. 最小二乗法による線形重回帰分析
   5. 非線形重回帰分析
   6. 応答曲面計画法
   7. 高度な適応的実験計画法
   8. ガウス過程による回帰 (Gaussian Process Regression, GPR)
   9. ベイズ最適化 (Bayesian Optimization)
4. Pythonによる実験計画法の実習を通した理解の深化
   1. Jupyter Notebookの使い方
   2. Pythonプログラミング基礎
   3. 実験計画法の実習
   4. 直交配列表の作成
   5. 回帰モデルの構築
   6. 新たな実験の探索
   7. ベイズ最適化 (Bayesian Optimization)
5. まとめ
   1. さらに深みを目指すために
   2. 質疑応答