【MI入門 #2】CatBoostでリベンジ！勾配ブースティングで高精度な材料物性予測モデルを構築する方法

前の動画：   • 【MI入門 #1】線形回帰を使った物性予測と、『失敗』から学ぶマテリアルズインフォマ...   次の動画：   • 【MI入門 #3】説明可能なAIを使って予測根拠を解明する「SHAP」入門   📘 LabCodeの技術書をZennで絶賛発売中 📘 ▼ 本動画の内容を詳しく解説した技術書はこちら https://zenn.dev/labcode/books/fda58a... ▼ 他にも研究で使えるプログラミングに関する技術書を発売しています！ https://zenn.dev/labcode?tab=books ▼ ブログでも研究で使えるプログラミングに関する情報を発信しています！ https://labo-code.com/ 🌎 SNS 🌎 X ▶︎ https://x.com/LabCodeBlog Youtube 登録 ▶︎    / @labcodetube   ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ 研究に使えるプログラミングの情報を発信しているLabCode（ラボコード）です！ 今回はCatBoostでリベンジ！線形回帰の限界を超えて高精度な材料物性予測モデルを構築する方法【マテリアルズインフォマティクス】について解説しました。 第1章の線形回帰モデルでは予測に失敗した複雑な材料物性データに、勾配ブースティングモデル「CatBoost」で再挑戦します。この動画を見れば、非線形な関係を捉える強力なモデルの構築方法から、過学習を防ぎ高い汎化性能を実現する実践的なテクニック、そして未知の材料の物性を予測する応用まで、データ駆動型の材料開発に必要なスキルを学ぶことができます。 ▼ 動画の元になった記事はこちら https://zenn.dev/labcode/books/fda58a... ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ 👀 チャプター 👀 00:00 はじめに：線形回帰の失敗と今回の挑戦 03:04 理論：勾配ブースティングとCatBoostの仕組み 06:18 ワークフロー紹介 12:14 実装 28:00 学習済みモデルでの予測と性能評価 31:42 まとめと次章への展望 #LabCode #プログラミング #マテリアルズインフォマティクス #機械学習 #Python #CatBoost #物性予測 #データサイエンス #研究 #研究に使えるプログラミング