ENEOSのMI戦略を深掘り|Matlantisの技術・組織づくり・人材育成と事業貢献
ENEOSのMIを技術・組織づくり・人材育成・外部連携・事業貢献の5つの観点で解説。Matlantis、AI専門組織、実務での学習、PFN・NVIDIAとの連携を一次資料から読み解き、探索成果と事業化の到達点を整理します。
ENEOSのMI戦略を深掘り|Matlantisの技術・組織づくり・人材育成と事業貢献 投稿を読む »
ENEOSのMIを技術・組織づくり・人材育成・外部連携・事業貢献の5つの観点で解説。Matlantis、AI専門組織、実務での学習、PFN・NVIDIAとの連携を一次資料から読み解き、探索成果と事業化の到達点を整理します。
ENEOSのMI戦略を深掘り|Matlantisの技術・組織づくり・人材育成と事業貢献 投稿を読む »
MIは材料開発の成果をどう事業価値へつなげるのか。ENEOS、東レ、住友化学、三井化学、積水化学、住友ゴムの公開事例から、開発効率・製品化・品質・サービス化を解説。運用費を含む費用対効果の計算例と、テーマ選定・効果測定の手順も紹介します。
MIは事業にどう貢献する?化学メーカーの事例から開発効率・製品化・収益化を読み解く 投稿を読む »
日本の化学・素材メーカー11社のMI活用を連結売上高順に紹介。積水化学のRASIN、三菱ケミカルのMI Bridge、触媒・樹脂・ゴムの開発事例から、材料探索の価値と、データ・人材・推進体制を実務へ組み込む方法を読み解きます。
日本の化学・素材メーカーのMI活用事例11選|材料開発と推進体制 投稿を読む »
この記事で学べること スペクトル前処理が
スペクトルデータの前処理|平滑化・ベースライン補正・正規化をPythonで実践 投稿を読む »
「材料の組成式はあるけれど、機械学習へど
組成データの特徴量設計|Python・matminerで材料組成を数値化する方法 投稿を読む »
材料データの交差検証をPythonで実践。K-foldとGroupKFoldの違い、試料・バッチ・材料系の分割、前処理のデータリーク対策、ネスト交差検証を解説します。サンプルデータから評価結果の保存まで、自分のCSVへ適用する手順も紹介します。
材料データで交差検証を設計する方法|試料・バッチ・材料系の分割とデータリーク 投稿を読む »
材料予測モデルの適用範囲(AD)を、k近傍距離によるPython実装で解説。学習データの標準化、自己近傍の除外、しきい値設定、候補判定、独立データでの誤差検証、One-Class SVMとの比較まで実務手順を示します。
モデルの適用範囲(AD)とは?材料データでの設定・検証方法をPythonで解説 投稿を読む »
実験計画法とベイズ最適化の違いを、目的、実験回数、逐次性、説明性から比較。材料開発での使い分け、併用手順、公開事例、選択フローを解説します。
実験計画法とベイズ最適化の違い|材料開発ではどう使い分ける? 投稿を読む »
材料データの品質を高めるために、欠損値、外れ値、単位、測定条件、メタデータをどう扱うかを解説。多様な公開事例、100点評価表、実務チェックリストを紹介します。
材料データの品質を高める方法|欠損・外れ値・測定条件・メタデータ 投稿を読む »
材料開発の特徴量設計を、組成・構造・プロセス・測定条件の4層で解説。少数データでの特徴量選択、データリーク、材料別の実例と実務手順を紹介します。
材料開発における特徴量設計とは?|組成・構造・プロセスの表現方法 投稿を読む »