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、scikit-learnを用いたpython scriptの書き方を学ぶ事を目的とします。データは主として物質科学データを用い、実習には受講者のjupyter notebook環境上のpython・scikit-learnスクリプトを用います。

1. 座学編
   1. 情報理論の四問題と情報理論適用の四過程
   2. 計算機を用いた新帰納法と母集団サンプリング
      1. 汎化性能
      2. 訓練データとテストデータ
      3. 記述子の作成の考え方
2. 基礎実習編: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とクロスバリデーション
      2. 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
      3. 分類 (classification) 手法
         1. ロジスティック回帰
   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. 応用実習編
   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. 候補点自動探索
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. 低ランク行列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