材料開発期間を圧縮すること、合成条件の最適化を行うことを大目的として物性物理・材料開発分野にも情報理論の適用が世界的に進んでいます。しかし、流行りだからでなく、機械学習により何が行えるのかをまず理解することが機械学習の導入・運用を成功させるには不可欠です。
　本セミナーでは式を用いた理論的な説明を最小限にして、マテリアルズ・インフォマティクスにより何が行えるかの理解を実習形式で深める事を目的とします。実習にはjupyter notebook環境上のpython・scikit-learnスクリプトを用います。

1. 解説編
   1. 情報理論の四問題
   2. 情報理論適用の四過程
   3. 計算機を用いた新帰納法
   4. 母集団とサンプリング
      1. 汎化性能
      2. 訓練データとテストデータ
      3. 記述子
   5. オープンレポジトリ紹介
2. 基礎編:scikit-learnの基礎
   1. 教師あり学習
      1. 訓練データとテストデータへの分離方法
      2. クロスバリデーション適用方法
      3. 回帰手法
         1. 線形回帰
            • 罰則項なし
            • Lasso
            • リッジ回帰
         2. カーネルリッジ回帰
      4. 分類 (classification) 手法
         1. ロジスティック回帰
         2. 1 二値分類
         3. 2 多値分類
   2. 教師なし学習
      1. 次元圧縮手法
         1. PCA
         2. 多様体学習
      2. クラスタリング (clustering) 手法
         1. KMeans法
         2. ガウス混合法
         3. 階層クラスタリング
3. 応用編
   1. ベイズ最適化による自動探索
      1. ガウス過程回帰
      2. 獲得関数
      3. 候補点探索自動化
4. 応用編付録 (時間があれば行います)
   1. Lassoを用いたトモグラフ画像再構成
   2. PCAを用いた推薦システム
   3. ガウス過程を併用した線形回帰
   4. 全探索
   5. 記述子重要性
• 質疑応答