金谷 重彦, 牛島 知彦, 福井 祥文, 小野 直亮, 高田 章 　著

著者紹介

内容

目次

第I部　準備 第1章　ケモ・マテリアルズ・インフォマティクス事始め 1.1　ケモ・マテリアルズ・インフォマティクスとは？ 1.2　R プログラミングを活用できる場面 1.3　R 言語とプラットフォームのインストール 第2章　データハンドリング～Rプログラミングの基礎事項～ 2.1　事前学習 2.2　外部ファイルとの間のデータの入出力 2.3　ベクトル・行列・リストの操作と応用 2.4　グラフィックスを用いたデータの可視化 2.5　まとめ 第II部　統計・検定 第3章　離散型データ（計数データ）の分析 3.1　事前学習 3.2　二項分布とそれを利用した検定 3.3　超幾何分布とそれを利用した検定 3.4　ポアソン分布 3.5　まとめ 第4章　連続型データ（計量データ）の分析 4.1　事前学習 4.2　正規分布の特性と応用 4.3　カイ二乗分布の特性と応用 4.4　t 分布の特性と応用 4.5　t 分布を利用した2 組のデータの比較 4.6　ノンパラメトリック統計検定 4.7　分割表を利用した独立性の検定・適合性の検定 4.8　サンプル数に応じた検定手法の選択 4.9　まとめ 第III部　機械学習で始めるデータマイニング―データに潜む相互関係を見つけ予測・発見につなげよう― 第5章　データに潜む類似度・距離の分析|相関・距離・クラスターの視点から 5.1　事前学習 5.2　相関分析 5.3　主成分分析・多次元尺度構成法・自己組織化マップ 5.4　クラスター分析 5.5　まとめ 第6章　データに潜む変数間の関係をモデル化する手法―回帰分析の視点から― 6.1　事前学習 6.2　線形重回帰分析 6.3　部分最小二乗法(PLS) 6.4　正則化を利用した回帰（正則化最小二乗法） 6.5　まとめ 第7章　識別・分類・認識に役立つモデル化手法―教師あり機械学習の視点から― 7.1　事前学習 7.2　教師なし学習 7.3　判別分析 7.4　k 最近傍法（kNN 法） 7.5　ナイーブベイズモデル 7.6　決定木モデル 7.7　ニューラルネットワークモデル 7.8　サポートベクトルマシーン 7.9　アンサンブル学習とランダムフォレストモデル 7.10　まとめ 第IV部　より高度な機械学習 第8章　化学情報処理―化学構造の解析とその応用― 8.1　事前学習 8.2　化学構造の表記法 8.3　rcdk パッケージの応用 8.4　ChemmineR・ChemmineOB パッケージの応用 8.5　まとめ 第9章　深層学習（ディープラーニング） 9.1　事前学習 9.2　ニューラルネットワークの基本要素 9.3　ニューラルネットワークの構築 9.4　実データによる学習 9.5　畳み込みニューラルネットワーク 9.6　まとめ 付録 A　関連パッケージのインストールおよび環境設定 B　トラブルシューティング 参考文献 関数一覧