Pythonで気軽に化学・化学工学(電子書籍版)

出版社： 丸善出版
著者：
発行日： 2021-05-31
分野： その他  >  技術・工学
ISBN： 9784621306154
電子書籍版： 2021-05-31 （電子書籍版）
電子書籍
章別単位での購入はできません
ブラウザ、アプリ閲覧

2,970 円(税込)

購入する

商品紹介

化学・化学工学分野に特化したデータ解析・機械学習の入門書。みなさんは研究室やお手元にデータをお持ちではないですか?データ解析・機械学習を応用して、蓄積してきたデータを最大限に活用することで、これまでとは違った角度から研究や開発を加速させることができます。本書では、化学・化学工学の分野特有の話題やノウハウにスポットをあてて、Pythonを使ったデータ解析・機械学習を丁寧に解説します。サンプルプログラムを使って実際に手を動かしながら学習できるので、プログラミングをやったことがない方も気軽に取り組むことができます。これからデータ解析・機械学習を活用していきたいと考えている研究者や技術者、学生におすすめの1冊です。

目次

  • 表紙
  • まえがき
  • 目次
  • 1 必要なソフトウェアをインストールして, Jupyter NotebookやPythonに慣れる
  • 1.1 Anacondaのインストール
  • 1.2 Jupyter Notebookの使い方
  • 1.3 Jupyter Notebookの起動
  • 1.4 セルおよびセルのタイプとモード
  • 1.5 セルの実行
  • 1.6 おもな操作方法
  • 1.7 キーボードショートカット
  • 1.8 Jupyter Notebookの終了
  • 2 Python プログラミングの基礎を学ぶ
  • 2.1 数値や文字などの扱い
  • 2.2 数値や文字の集合の扱い
  • 2.3 組み込み関数による効率的な処理
  • 3 データセットの読み込み・確認・変換・保存ができるようになる
  • 3.1 データセットの読み込み
  • 3.2 データセットの中身の確認
  • 3.3 データセットの保存
  • 4 データセットの特徴を把握する
  • 4.1 行列形式によるデータセットの表現
  • 4.2 ヒストグラムによるデータの分布の確認
  • 4.3 おもな基礎統計量を計算することによる特徴量間の比較
  • 4.4 散布図による特徴量間の関係の確認
  • 4.5 相関係数による特徴量間の関係の強さの確認
  • 5 データセットを前処理して扱いやすくする
  • 5.1 特徴量のスケールの統一化
  • 5.1.1 データセットの行列・ベクトルによる表現
  • 5.1.2 特徴量の標準化
  • 5.2 ばらつきの小さい特徴量の削除
  • 5.3 類似した特徴量の組における一方の特徴量の削除
  • 6 データセットの見える化 ( 可視化 ) をする
  • 6.1 主成分分析
  • 6.2 t - distributed Stochastic Neighbor Embedding ( t - SNE )
  • 7 データセットを類似するサンプルごとにグループ化する
  • 7.1 クラスタリング
  • 7.2 階層的クラスタリングの基礎
  • 7.3 階層的クラスタリングの実行
  • 7.4 化学・化学工学での応用
  • 8 モデルy = f ( x ) を構築して, 新たなサンプルのyを推定する
  • 8.1 クラス分類 ( クラス分類とクラスタリングとの違い, 教師あり学習と教師なし学習 )
  • 8.2 κ - NNによるクラス分類とクラス分類モデルの推定性能の評価
  • 8.2.1 κ - NNによるクラス分類
  • 8.2.2 クラス分類モデルの推定性能の評価
  • 8.2.3 κ - NNによるクラス分類の実行
  • 8.3 回帰分析
  • 8.4 κ - NNや最小二乗法による回帰分析と回帰モデルの推定性能の評価
  • 8.4.1 κ - NNを使った回帰分析
  • 8.4.2 OLS法を使った回帰分析
  • 8.4.3 回帰モデルの推定性能の評価
  • 8.4.4 κ - NN, OLS法による回帰分析の実行
  • 8.5 モデルの推定性能を低下させる要因とその解決手法 ( PLS )
  • 8.5.1 オーバーフィッティング
  • 8.5.2 多重共線性
  • 8.5.3 PLS法の基礎
  • 8.5.4 PLS法による回帰分析の実行
  • 8.6 さまざまな解析の自動化・効率化
  • 8.6.1 CVに基づくハイパーパラメータの決定方法
  • 8.6.2 外部バリデーションと内部バリデーション
  • 8.6.3 for文によるハイパーパラメータの決定
  • 8.6.4 if文による複数の手法を用いたデータ解析
  • 8.7 非線形の回帰分析手法やクラス分類手法
  • 8.7.1 サポートベクターマシン
  • 8.7.2 サポートベクター回帰
  • 8.7.3 決定木
  • 8.7.4 ランダムフォレスト
  • 8.8 ダブルクロスバリデーション
  • 8.9 化学・化学工学での応用
  • 9 モデルの推定結果の信頼性を議論する
  • 9.1 目的変数の推定に用いる最終的なモデル
  • 9.2 モデルの適用範囲
  • 9.2.1 範囲
  • 9.2.2 平均からの距離
  • 9.2.3 データ密度
  • 9.2.4 アンサンブル学習法
  • 9.2.5 AD の設定
  • 9.3 One - Class Support Vector Machine ( OCSVM )
  • 10 モデルを用いてyからxを推定する
  • 10.1 仮想サンプルの生成
  • 10.2 仮想サンプルの予測および候補の選択
  • 11 目標達成に向けて実験条件・製造条件を提案する
  • 11.1 実験計画法
  • 11.2 応答曲面法
  • 11.3 適応的実験計画法
  • 12 化学構造を扱う
  • 12.1 RDKitのインストール
  • 12.2 化学構造の表現方法
  • 12.2.1 SMILES
  • 12.2.2 Molfile
  • 12.3 化合物群の扱い
  • 12.4 化学構造の数値化
  • 12.5 化学構造のデータセットを扱うときの注意点およびデータセットの前処理
  • おわりに
  • 参考資料
  • 索引
  • 奥付

この書籍の参考文献

参考文献のリンクは、リンク先の都合等により正しく表示されない場合がありますので、あらかじめご了承下さい。

本参考文献は電子書籍掲載内容を元にしております。

参考資料

P.173 掲載の参考文献
[1] https://datachemeng.com/page-3775/
 
[2] https://www.python.jp/install/anaconda/
 
[3] https://datachemeng.com/anaconda_jupyternotebook_install/
 
[4] https://www.google.com/intl/ja_jp/chrome/
 
[5] https://github.com/hkaneko1985/python_chem_chem_eng/
 
[6] https://dekiru.net/article/13419/
 
[7] https://macdrivelove.com/entry4.html
 
[8] http://www.markdown.jp/
 
[9] https://qiita.com/tbpgr/items/989c6badefff69377da7
 
[10] 山田祥寛, "独習 Python", 翔泳社 (2020).
 
[11] R. A. Fisher, Annals of Eugenics, 7, 179-188 (1936).
 
[12] https://en.wikipedia.org/wiki/Iris_flower_data_set
 
[13] https://pandas.pydata.org/
PubMed
[14] https://matplotlib.org/
 
[15] 高橋信, "マンガでわかる統計学", オーム社 (2004).
 
[16] 東京大学教養学部統計学教室編, "統計学入門", 第5章, 東京大学出版会 (1991).
 
[17] L. H. Hall, C. T. Story, J. Chem. Inf. Comput. Sci., 36, 1004-1014 (1996).
 
[18] T. J. Hou, K. Xia, W. Zhang, X. J. Xu, J. Chem. Inf. Comput. Sci., 44, 266-275 (2004).
 
[19] A. Racz, D. Bajusz, K. Heberger, Mol. Inf., 38, 1800154 (2019).
 
[20] https://datachemeng.com/basicmathematics/
 
[21] 高橋信, "マンガでわかる線形代数", オーム社 (2008).
 
[22] https://scikit-learn.org/stable/
PubMed
[23] https://ja.wikipedia.org/wiki/カルバック・ライブラー情報量
 
[24] https://ja.wikipedia.org/wiki/二分探索
 
[25] https://datachemeng.com/k3nerror/
 
[26] https://ja.wikipedia.org/wiki/t分布
 
[27] https://ja.wikipedia.org/wiki/確率的勾配降下法
 
[28] http://tech.nitoyon.com/ja/blog/2009/04/09/kmeans-visualise/
 
[29] https://www.scipy.org/
 
[30] https://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.distance.pdist.html
 
[31] https://docs.scipy.org/doc/scipy/reference/generated/scipy.cluster.hierarchy.linkage.html
 
[32] https://scikit-learn.org/stable/modules/generated/sklearn.neighbors.DistanceMetric.html
 
[33] https://datachemeng.com/overfitting/
 
[34] S. Wold, M. Sjostrom, L. Eriksson, Chemom. Intell. Lab. Syst., 58, 109-130 (2001).
 
[35] https://datachemeng.com/reg_coef_in_pls/
 
[36] http://www.idrc-chambersburg.org/shootout_2002.htm
 
[37] https://ja.wikipedia.org/wiki/二次計画法
 
[38] https://ja.wikipedia.org/wiki/カルーシュ・クーン・タッカー条件
 
[39] https://numpy.org/
 
[40] https://datachemeng.com/fastoptsvrhyperparams/
 
[41] https://graphviz.org/
 
[42] https://datachemeng.com/randomforest/
 
[43] P. Filzmoser, B. Liebmann, K. Varmuza, J. Chemom., 23, 160-171 (2009).
 
[44] https://ja.wikipedia.org/wiki/マハラノビス距離
 
[45] https://en.wikipedia.org/wiki/Curse_of_dimensionality
 
[46] https://datachemeng.com/gaussianmixtureregression/
 
[47] https://datachemeng.com/gtmmlr_gtmr_paper/
PubMed
[48] 大村平, "実験計画と分散分析のはなし", 日科技連出版社 (2013).
 
[49] https://datachemeng.com/designofexperimentscodes/
 
[50] 馬場敬之, "線形代数キャンパス・ゼミ", マセマ出版社 (2020).
 
[51] M. A. Bezerra, et al., Talanta, 76, 965-977 (2008).
 
[52] A. O. Griewank, J. Opt. Th. Appl., 34, 11-39 (1981).
 
[53] S. Park, et al., Comput. Chem. Eng., 119, 25-37 (2018).
 
[54] https://www.rdkit.org/docs_jp/index.html
 
[55] https://datachemeng.com/rdkit_install_import/
 
[56] http://opensmiles.org/opensmiles.html
 
[57] https://chemdrawdirect.perkinelmer.cloud/js/sample/index.html
 
[58] https://marvinjs-demo.chemaxon.com/latest/demo.html
 
[59] https://chemaxon.com/products/marvin
 
[60] http://x3dna.bio.columbia.edu/data/ctfile.pdf
 
[61] https://pypi.org/project/ctfile/
 
[62] https://www.ebi.ac.uk/chembl/
 
[63] https://pubchem.ncbi.nlm.nih.gov/
 
[64] https://www.rdkit.org/docs/GettingStartedInPython.html#list-of-available-descriptors
 
[65] R. Todeschini, V. Consonni, "Molecular Descriptors for Chemoinformatics, 2 Volume Set : Volume I : Alphabetical Listing/Volume II : Appendices, References", WILEY-VCH (2009).
 

書評

最近チェックした商品履歴

Loading...