Pythonで学ぶ実験計画法｜ベイズ最適化によるデータ解析！

　最近興味あるPython、、、企業在籍時に学び、時々使っていた実験計画法と品質工学が懐かしく感じる本を見つけました。

　実験計画にどのように活かすのか興味津々、散布図・ヒストグラム・正規分布が描ければいいな、回帰分析にもどのように活かすのか、と勇んで読み始めたものの・・・最初の1章で早速挫折感。負けてたまるか、と、一通り読み通しましたが、今の私には少し？レベルが高かったかなぁ・・・が実感。

研究室の学生が学ぶ、また、新製品開発担当研究者が読むと何か気づきが得られるかもしれません。

　この本、今の私にとって全く得られるものがなかったということではありません。他の本に比べて理解できた部分ははるかに少なかったですが、下記読み終えてに感想を記していますので、興味ある方は読んでください。

書籍情報
目　次
読み終えて

書籍情報

書籍名：Pythonで学ぶ実験計画法入門
著　者：金子弘昌氏
発行所：株式会社講談社
発　行：2021年6月3日
頁　数：169
価　格：3,000円＋税

目　次

　目次の中に気になる文字や文章が見つかりましたら、手に取ってみてください。日ごろからアンテナ張ってる文字列の検索には、ブラウザの検索機能を活用するといいです。

まえがき
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 次の実験候補の選択
- 5.4 ベイズ最適化
- 5.5 化学構造を扱うときはどうするか
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