書籍「Pythonで学ぶ実験計画法入門　ベイズ最適化によるデータ解析」(金子弘昌 著) のサンプルプログラム・サンプルデータセットです。
内容: https://datachemeng.com/post-4279/

本書のURL
講談社: https://www.kspub.co.jp/book/detail/5235300.html
Amazon: https://www.amazon.co.jp/dp/4065235308

サンプルプログラム・サンプルデータセットの使い方は本書に記載されています。本を読んでデータ解析・機械学習・実験計画法・ベイズ最適化の学習をしながら、サンプルプログラムによりデータ解析・機械学習・実験計画法・ベイズ最適化の実行結果を確認できます。さらに、サンプルプログラムにより本の中で説明されている様々な解析の実行もできます。ぜひご利用ください。

目次
第１章 データ解析や機械学習を活用した分子設計・材料設計・プロセス設計・プロセス管理
1.1 ケモ・マテリアルズ・プロセスインフォマティクス
1.2 分子設計
1.3 材料設計
1.4 なぜベイズ最適化が必要か
1.5 プロセス設計
1.6 プロセス管理
1.7 データ解析・人工知能 (モデル) の本質

第２章 実験計画法
2.1 なぜ実験計画法か
2.2 実験計画法とは
2.3 適応的実験計画法
2.4 必要となる手法・技術

第3章データ解析や回帰分析の手法
3.1 データセットの表現
3.2 ヒストグラム・散布図の確認
3.3 統計量の確認
3.4 特徴量の標準化
3.5 最小二乗法による線形重回帰分析
3.6 回帰モデルの推定性能の評価
3.7 非線形重回帰分析
3.8 決定木
3.9 ランダムフォレスト
3.10 サポートベクター回帰
3.11 ガウス過程回帰

第4章 モデルの適用範囲
4.1 モデルの適用範囲とは
4.2 データ密度
4.3 アンサンブル学習

第5章 実験計画法・適応的実験計画法の実践
5.1 実験候補の生成
5.2 実験候補の選択
5.3 次の実験方法の選択
5.4 ベイズ最適化
5.5 化学構造を扱うときどうするか

第6章 応用事例
6.1 複雑な非線形関数を用いた実験計画法・適応的実験計画法の実践
6.2 分子設計
6.3 材料設計
6.4 プロセス設計

第7章 さらなる深みを目指すために
7.1 Gaussian Mixture Regression (GMR)
7.2 GMR-Based Optimization (GMRBO) (GMR に基づく適応的実験計画法)
7.3 複雑な非線形関数を用いた GMRBO の検証

第8章 数学の基礎・Anaconda・Spyder
8.1 行列やベクトルの表現・転置行列・逆行列・固有値分解
8.2 最尤推定法・正規分布
8.3 確率・同時確率・条件付き確率・確率の乗法定理
8.4 Anaconda と RDKit のインストール・Spyder の使い方

参考資料
索引