1. HOME
  2. イベント
  3. 製薬企業関連
  4. ベイズ最適化の基礎と機械学習による実験計画

ベイズ最適化の基礎と機械学習による実験計画

機械学習による実験計画の考え方から、ベイズ最適化・能動学習の基礎、機械学習モデルの超パラメータ最適化・品質領域の推定・プロセス条件の最適化などの材料工学への各応用例、Pythonによる実行方法まで! 研究開発の高精度化・高効率化を実現するデータ駆動型アプローチ・機械学習・実験計画について詳しく解説します。
日 時 2022年6月29日(水) 10:30~16:30
受講料(税込) 49,500円    
定価:本体45,000円+税4,500円
【2名同時申込みで1名分無料キャンペーン(1名あたり定価半額24,750円)】
※2名様とも会員登録をしていただいた場合に限ります。 会員登録について
※同一法人内(グループ会社でも可)による2名同時申込みのみ適用いたします。
※3名様以上のお申込みの場合、上記1名あたりの金額で受講できます。
※受講券、請求書は、代表者にご郵送いたします。
※請求書および領収書は1名様ごとに発行可能です。
(申込みフォームの通信欄に「請求書1名ごと発行」と記入ください。)
※その他の割引の併用はできません。

※テレワーク応援キャンペーン(1名受講)【Live配信/WEBセミナー受講限定】
1名申込みの場合:受講料39,600円 定価:本体36,000円+税3,600円
※1名様でLive配信/WEBセミナーを受講する場合、上記特別価格になります。
※お申込みフォームで【テレワーク応援キャンペーン】を選択のうえお申込みください。
※他の割引は併用できません。


 なお、本システムのお申し込み時のカート画面では割引は表示されませんが、
上記条件を満たしていることを確認後、ご請求書またはクレジット等決済時等に
調整させて頂きます。

ポイント還元 誠に勝手ながら2020年4月1日より、会員割引は廃止とさせて頂きます。 当社では会員割引に代わり、会員の方にはポイントを差し上げます。 ポイントは、セミナーや書籍等のご購入時にご利用いただけます。 会員でない方はこちらから会員登録を行ってください。
配布資料 電子媒体(PDFデータ/印刷可)
・弊社HPのマイページよりダウンロードいただきます。
・開催2日前を目安に、ダウンロード可となります。
・ダウンロードには会員登録(無料)が必要となります。
オンライン配信 ZoomによるLive配信►受講方法・接続確認(申込み前に必ずご確認ください)
備 考 ※資料付
※講義中の録音・撮影はご遠慮ください。
※開催日の概ね1週間前を目安に、最少催行人数に達していない場合、セミナーを中止することがございます。

本セミナーはサイエンス&テクノロジー株式会社が主催いたします。
得られる知識 ・機械学習による、実験計画の考え方
・ベイズモデリングの基礎知識
・ベイズ最適化や能動学習の基礎知識
・ベイズ最適化の実行方法
・具体的な適用事例
対 象 医学(創薬)や材料科学など、データ取得コストが高い問題を扱う分野の実務者の方
大学初年度程度の微積分、線形代数、確率・統計の知識を仮定します。
   
名古屋大学 大学院医学系研究科 総合医学専攻 生物統計学分野 講師 博士(情報科学)松井 孝太 氏
専門:統計的機械学習、生物統計学
(兼任)文部科学省 国家課題対応型研究開発推進事業(原子力システム研究開発事業)「MA抽出のためのフッ素系スーパー溶媒の探査」プログラムアドバイザー
個人ページ:https://sites.google.com/site/matsuikotaswebpage/
科学的な営みを実行していく上で、「設計」や「計画」はおろそかにすることができない重要なプロセスです。設計や計画が問題の根幹となっている例は、ロボット開発・創薬・天然資源の探鉱など枚挙に暇がありません。近年、設計や計画問題に対するデータ駆動型のアプローチ、また、それを実現するための情報技術である機械学習が注目されています。
 データ駆動型のアプローチは、データ分析の方法だけでなく、データ収集の方法も考察および最適化の対象とします。特に後者の性質は、ものづくりなどデータ収集コストが非常に高い分野においては重要な意味を持っていると考えられます。
 本セミナーでは、データ駆動型のアプローチの一つであるベイズ最適化に注目し、その基本的な方法論と現実の問題をどのように計算機上でシミュレート可能なモデルに落とし込むか、というアイデアについて解説したいと思います。
1.導入
 1.1 機械学習によるデータ駆動型アプローチ
 (能動学習、実験計画という考え方について)
 1.2 ブラックボックス関数の最適化問題とベイズ最適化

2.ベイズモデルによる機械学習と能動学習の実行
 2.1 ベイズ線形回帰
 2.2 ガウス過程回帰
 2.3 ガウス過程回帰に基づく関数推定のための能動学習

3.ベイズ最適化の方法論
 3.1 ベイズ最適化の基本アルゴリズム
 3.2 様々な獲得関数に基づくベイズ最適化

4.レベル集合推定のための能動学習

5.構造出力デザインのための能動学習

6.より複雑な問題に対するベイズ最適化
 6.1 制約付き最適化のためのベイズ最適化
 6.2 コスト考慮型のベイズ最適化
 6.3 多目的最適化のためのベイズ最適化
 6.4 複数条件を同時に観測できる問題のためのベイズ最適化
 6.5 高次元な入力空間上のベイズ最適化

7.応用事例紹介
 7.1 機械学習モデルの超パラメータ最適化
 7.2 レベル集合推定による太陽電池用シリコンインゴットの低品質領域の推定
 7.3 イオン伝導性物質の伝導度推定
 7.4 SiC結晶成長モデリングにおける構造出力デザイン
 7.5 Siエピタキシャル成長プロセス条件の最適化
 7.6 抗がん剤第1相臨床試験における最大耐用量の同定

8.ベイズ最適化の実行
 8.1 Pythonによるベイズ最適化の実装方法の紹介
 8.2 ベイズ最適化の実行例のデモ紹介

 □質疑応答□

| 製薬企業関連