大阪公立大学　大学院　情報学研究科　学際情報学専攻　教授　博士（工学）　上杉 徳照　氏
【講師紹介】

　近年、AI・機械学習の発展により、材料開発や製造プロセスの最適化を目的としたマテリアルズ・インフォマティクス（MI）が注目を集めています。一方で、実際にMIを活用するためには、機械学習の基本的な考え方や適用上の注意点を理解し、対象に応じて適切な手法を選択することが重要です。
　本セミナーでは、マテリアルズ・インフォマティクスで必要となる機械学習の基礎から、説明可能AI、転移学習、特徴量エンジニアリングなどの実践的な技術、さらに第一原理計算や画像解析などの関連技術までを体系的に解説します。また、製造プロセスの最適化、画像による品質検査、破面解析、合金設計などの実践事例を通して、理論を実際の課題へ適用するためのポイントを紹介します。
　機械学習を「使う」だけでなく、「なぜその手法を選択するのか」「どのような場面で有効なのか」を理解することで、マテリアルズ・インフォマティクスを自社の研究開発や製造現場へ展開するための考え方を身に付けることを目指します。初めてMIに取り組む方から、実務で活用を進めている技術者・研究者まで、幅広い方々を対象としています。

1．機械学習の基礎
　1）人工知能と機械学習の違い
　2）機械学習の種類（教師あり学習・教師なし学習・強化学習）
　3）回帰と分類の違いと代表的なアルゴリズム
　4）機械学習の基本的な流れ（データ収集からモデルの実装まで）
　5）データの前処理と正規化・標準化
　6）統計学と機械学習の目的と考え方
　7）訓練データ・検証データ・テストデータの分割
　8）過学習と汎化性能
　9）ホールドアウト検証と交差検証
　10）ハイパーパラメータの役割と最適化
　11）グリッドサーチとランダムサーチ
　12）ブラックボックス最適化とベイズ最適化
　13）分類問題における混同行列
　14）分類の精度評価指標（正解率・適合率・再現率・F値）
　15）回帰の精度評価指標（決定係数・RMSE・MAE）
　16）ノーフリーランチ定理とアルゴリズムの選択
　17）線形回帰・Ridge回帰・Lasso回帰
　18）ロジスティック回帰の仕組み
　19）k近傍法と決定木
　20）ランダムフォレストと勾配ブースティング
　21）サポートベクターマシンとカーネル法
　22）損失関数と勾配法による最適化
　23）ニューラルネットワークの構造とアフィン変換
　24）活性化関数と誤差逆伝播法
　25）深層学習の基礎（畳み込み層・プーリング層・ミニバッチ学習）
　26）学習データの質と量、内挿と外挿の問題

2．機械学習の応用技術
　1）教師なし学習とクラスタリング（階層型・非階層型）
　2）次元削減によるデータの可視化
　3）教師なし学習による異常検知
　4）説明可能AI（Explainable AI）の考え方と必要性
　5）大域的な説明と局所的な説明
　6）Partial DependenceとSHAPによる予測結果の解釈
　7）Grad-CAMによる画像分類根拠の可視化
　8）醜いアヒルの子の定理と特徴量の重要性
　9）課題設定とGarbage in, garbage outの考え方
　10）特徴量エンジニアリングと特徴量作成
　11）特徴量選択（フィルタ法・ラッパー法・組み込み法）
　12）過学習の抑制（正則化・ドロップアウト・バッチ正規化・早期打ち切り）
　13）データ拡張とテスト時データ拡張
　14）不均衡データへの対応（アンダーサンプリング・オーバーサンプリング）
　15）重み付き損失関数による不均衡データへの対応
　16）転移学習の種類と負の転移の問題
　17）交差検証の種類と二重交差検証
　18）予測モデルの適用範囲と外挿の判定

3．機械学習の周辺技術
　1）機械学習の用途とマテリアルズ・インフォマティクスの位置付け
　2）材料データの特徴と各種インフォマティクス
　3）相関関係と因果関係の違い
　4）擬似相関・層別解析・構造方程式モデリング
　5）シンボリック回帰による数式の発見
　6）第一原理計算の基本原理と材料設計への応用
　7）第一原理計算でできることとその限界
　8）材料設計における逆問題と機械学習による代理モデル
　9）最適化手法と多目的最適化
　10）CNNを用いた画像解析と画像の前処理
　11）画像認識におけるCNNの特徴とTransformerの応用

4．製造業への応用
　1）製造業における機械学習の活用分野
　2）アンチパターンから学ぶ機械学習導入の失敗事例
　3）課題設定とデータの有無による問題
　4）産学連携における成果公開の課題
　5）データ活用人材に求められる役割と守備範囲
　6）PoC（概念実証）の費用とゴール設定
　7）「銀の弾などない」の考え方とブルックスの法則
　8）機械学習の開発環境（Python・R・scikit-learnなど）

5．実践事例
　1）機械学習による球状黒鉛鋳鉄のMg歩留まり最適化
　2）深層学習による鋳肌の外観検査
　3）深層学習による破面画像の破壊様式分類
　4）深層学習による破面SEM画像のセグメンテーション
　5）第一原理計算からの転移学習による材料特性予測
　6）機械学習による合金組成と熱処理条件の最適化

質疑応答