技術セミナー・研修・出版・書籍・通信教育・eラーニング・講師派遣の テックセミナー ジェーピー

機械学習を用いた分析スペクトルデータ解析の進め方

機械学習を用いた分析スペクトルデータ解析の進め方

~ピーク検知・スペクトル判断のフローから、収集すべきデータ要件まで~
東京都 開催 会場 開催

概要

本セミナーでは、マテリアルズ・インフォマティクスについて基礎から解説し、材料開発に機械学習を応用する際に起こる問題点とその解決策を分かりやすく解説いたします。

開催日

  • 2020年5月19日(火) 10時00分 17時30分

プログラム

第1部. 機械学習を用いたスペクトルデータ解析の基礎

(2020年5月19日 10:00〜12:00)

 近年、各種スペクトルの取得コストが低くなり大量のデータ取得が可能となった。しかしながら、スペクトル解析のためのデータ処理技術は十分進展しておらず、全てのデータを効率に解析して情報を獲得することが困難であった。講演者は機械学習を用いたスペクトル解析技術を開発することでこの問題に取り組んでいる。
 本講演では、機械学習を物質科学に適用する概要をまず解説し、機械学習を用いたスペクトル解析の新技術について、特に「分類」「低次元化」「モデリング」の三つに注目した解説を行う。

  1. マテリアルズ・インフォマティクス概要
    1. AI for Materialsとマテリアル・ゲノムプロジェクト
    2. 機械学習の基礎
    3. 代表的な機械学習応用事例の紹介
    4. 物質・材料データの特徴と注意点
  2. 分類:スペクトルデータの低次元化とクラスター解析
    1. 高次元データとしてのスペクトルと低次元化の重要性
    2. 分類:教師あり学習と教師なし学習
    3. 主成分解析によるスペクトルの低次元化
    4. k – means法によるスペクトルの分類
  3. データ解析:スペクトル解析のためのEMアルゴリズムによるピーク検知
    1. ピーク検知のための処理フロー
    2. 非線形最小二乗法の困難
    3. EMアルゴリズムによる最尤推定
    4. スペクトル解析のための改良EMアルゴリズム
    5. 解析事例
    • 質疑応答

第2部. 機械学習によるスペクトルデータ解析の事例

(2020年5月19日 12:45〜14:45)

 従来のスペクトルデータのデータ解析では、スペクトルから所望の物理量を推定するために、計測したスペクトルについて、予め様々な条件でシミュレーションしたスペクトル、あるいは過去の実験データや文献のスペクトルと目視で見比べ、熟練した人間の判断により、計測されたスペクトルとどれが似ているか判断していた。このため解析結果に研究者の主観や思い込みなどのバイアスが含まれる可能性があり、物理量の推定結果が解析した人間に依存してしまうといった問題が生じる。また、データ解析には人間による判断が必要であるため、場合によってはスペクトル1件の解析に数時間以上を要することもあり、研究における大きな時間的ボトルネックとなっていた。近年、機械学習を用いてスペクトルデータ解析を行う研究が注目されている。
 本講演では、機械学習を用いたスペクトルのデータ解析について実例を交えながら基礎から応用まで紹介する。

  • スペクトル計測とは
  • スペクトルから所望の物理量を推定するには
  • スペクトルデータ解析に用いる機械学習
  • 次元削減の方法
  • 次元削減とスペクトルデータ解析
  • スペクトルの間の類似度 (距離尺度)
  • 類似度とスペクトルデータ解析
  • 応用例:X線スペクトルのデータ解析
  • 質疑応答

第3部. 機械学習によるスペクトル検量線構築とスペクトル波数選択

(2020年5月19日 15:00〜17:30)

 近赤外分光 (near-infrared spectroscopy; NIRS) スペクトルから検量線を構築するには、少数の潜在変数で線形回帰モデルを構築できる部分的最小二乗法 (partial least squares; PLS) が用いられることが多い。一般に入力変数の数を増加させるにつれ、検量線のモデル構築用サンプルに対するフィッティング性能は向上するが、推定値と物理的に関係のない波数まで検量線の入力変数として用いると、未知サンプルに対する予測性能は低下する。検量線設計では適切な入力波数の組み合わせを選択する必要があるが、しばしば入力変数選択は試行錯誤に頼らざるを得ないため、負担の大きな作業といえる。
 そこで講座では、検量線の予測精度改善および設計効率化のため、システマティックな入力変数選択手法を紹介する。

  1. スペクトルデータ解析と機械学習
  2. 機械学習による検量線構築
    1. 主成分分析
    2. 重回帰分析
    3. 部分的最小二乗法 (PLS)
  3. 入力波数選択
    1. スパースモデリング
    2. 変数間の相関関係に基づくクラスタリング
    3. 変数クラスタリングによる入力波数選択
    4. 応用例の紹介
    • 質疑応答

講師

  • 安藤 康伸
    国立研究開発法人 産業技術総合研究所 機能材料コンピュテーショナルデザイン研究センター
    主任研究員
  • 小野 寛太
    大阪大学 大学院 工学研究科
    教授
  • 藤原 幸一
    名古屋大学 工学研究科 物質プロセス工学専攻
    准教授

会場

株式会社 技術情報協会
東京都 品川区 西五反田2-29-5 日幸五反田ビル8F
株式会社 技術情報協会の地図

主催

お支払い方法、キャンセルの可否は、必ずお申し込み前にご確認をお願いいたします。

お問い合わせ

本セミナーに関するお問い合わせは tech-seminar.jpのお問い合わせからお願いいたします。
(主催者への直接のお問い合わせはご遠慮くださいませ。)

受講料

1名様
: 55,000円 (税別) / 60,500円 (税込)
複数名
: 50,000円 (税別) / 55,000円 (税込)

複数名同時受講割引について

  • 2名様以上でお申込みの場合、
    1名あたり 50,000円(税別) / 55,000円(税込) で受講いただけます。
    • 1名様でお申し込みの場合 : 1名で 55,000円(税別) / 60,500円(税込)
    • 2名様でお申し込みの場合 : 2名で 100,000円(税別) / 110,000円(税込)
    • 3名様でお申し込みの場合 : 3名で 150,000円(税別) / 165,000円(税込)
  • 同一法人内による複数名同時申込みのみ適用いたします。
  • 受講券、請求書は、代表者にご郵送いたします。
  • 他の割引は併用できません。

アカデミック割引

  • 1名様あたり 30,000円(税別) / 33,000円(税込)

学校教育法にて規定された国、地方公共団体、および学校法人格を有する大学、大学院の教員、学生に限ります。

本セミナーは終了いたしました。

これから開催される関連セミナー

開始日時 会場 開催方法
2024/4/4 多変量解析・データ処理 超入門 オンライン
2024/4/10 Pythonによる時系列データ分析とその活用 オンライン
2024/4/10 FT-IR測定・同定の実務実践とアプリケーションテクニック・コツ オンライン
2024/4/11 技術者・研究者のための多変量解析入門講座 オンライン
2024/4/12 機械学習/Deep Learningの画像データ前処理に活用できる画像フィルタリングの基本と最新動向 オンライン
2024/4/15 ディープラーニングの基礎と実践 オンライン
2024/4/15 少ないデータに対する機械学習、深層学習の適用 オンライン
2024/4/15 実際の試験例を参考とした化粧品における安定性試験について オンライン
2024/4/17 ルールベースと機械学習ベースの画像認識技術 オンライン
2024/4/18 生成AIをめぐる著作権問題の最前線 東京都 会場・オンライン
2024/4/19 ディープラーニングの基礎と実践 オンライン
2024/4/19 実際の試験例を参考とした化粧品における安定性試験について オンライン
2024/4/19 自然言語処理の基礎と生成AI・大規模言語モデルの研究開発への活用 オンライン
2024/4/24 脳波計測・処理・解析・機械学習の基礎と応用および脳波データの活用方法 オンライン
2024/4/24 技術者・研究者のための多変量解析入門講座 オンライン
2024/4/25 カルマンフィルタの実践 オンライン
2024/4/26 少ないデータに対する機械学習、深層学習の適用 オンライン
2024/4/26 「統計的品質管理」総合コース2023 オンライン
2024/4/26 データサイエンスの基礎 オンライン
2024/4/26 安定性試験の評価と有効期間の設定 オンライン