機械学習について知る

機械学習とは

AIの学習方法の一つであり, トレーニングによって "特定のタスク" を実行できるようにするための学習方法.

機械学習の大きな分類について

まず、機械学習について分類する前に、教師あり学習と教師なし学習について軽く抑える。

学習方法	概要	適用先
教師あり学習	（入力, 出力）の正解データをもとに、入力と出力の関係を予測する手法	分類, 回帰
教師なし学習	正解データを与えることなく、特定のルールに従ってデータの構造を学習する手法	クラスタリング, 次元削減
強化学習	AIの行動に対し報酬を設定し、学習させる手法. 報酬は、AI（エージェント）が適切な行動をしたときに高い評価を与えられる	行動生成

分類：Classification　教師あり学習

• 2クラス分類
  ：ラベル付きデータを学習（教師あり）して、2値に分類する手法

代表的なアルゴリズム

手法名	概要
デジションジャングル	ランダムフォレストにおける子ノードへの結合が複数あるケースを許容するモデル。 ??
ニューラルネットワーク	入力を線形変換する処理単位」がネットワーク状に結合した数理モデル（Wikipediaより引用）
平均化パーセプトロン	分類が間違っていたときの重みベクトル更新部分で、重みベクトルをそのまま使うのではなく、全ステップの重みベクトルを平均したものを使います。
ブースト決定木	「勾配降下法(Gradient)」と「アンサンブル学習(Boosting)」、「決定木(Decision Tree)」の3つの手法が組み合わされた機械学習の手法（引用）
ロジスティック回帰	ロジスティック回帰分析は、いくつかの要因（説明変数）から「2値の結果（目的変数）」が起こる確率を説明・予測することができる統計手法で、多変量解析の手法の１つです。（引用）

• マルチ分類
  ：ラベル付きデータを学習（教師あり）して、3値以上に分類する手法

代表的なアルゴリズム

手法名	概要
多クラス分類	多数のクラスを分類する手法です。
ニューラルネットワーク	入力を線形変換する処理単位」がネットワーク状に結合した数理モデル（Wikipediaより引用）
k近傍法	k近傍法アルゴリズム（KNNまたはk-NNとも呼ばれる）は、ノンパラメトリックな教師あり学習の分類子であり、近接性を利用して個々のデータ・ポイントのグループ化に関する分類や予測を行います。（引用）
ロジスティック回帰	先と同じ。ロジスティック回帰分析は、いくつかの要因（説明変数）から「2値の結果（目的変数）」が起こる確率を説明・予測することができる統計手法で、多変量解析の手法の１つです。（引用）

回帰：Regression 教師あり学習

正しい（入力, 出力）のデータを学習（教師あり）して、未知のデータから出力データを予測する方法

代表的なアルゴリズム

手法名	概要
サポートベクトル回帰	これから編集する
線形回帰	これから編集する
ベイズ線形回帰	これから編集する
ラッソ回帰	これから編集する

クラスタリング：Clustering　教師なし学習

与えられたデータの中から、似た特徴を持つデータを集め、（AIが）データ構造を発見する手法.

代表的なアルゴリズム

手法名	概要
k平均法	これから編集する
混合ガウス分布	これから編集する
スペクトラルクラスタリング	これから編集する

次元削減：Dimension reduction 教師なし学習

データの次元を削減し、主要な因子を発見する手法
データの特性に基づいて学習する際に、その因子により大した差を生み出さない因子を認識から外すことで、容易に解釈可能な次元にまで指標をまとめること

代表的なアルゴリズム

手法名	概要
LDA	これから編集する
主成分分析	これから編集する
ディープラーニング	これから編集する
非負値行列因子分析	これから編集する

異常検知： Anomaly detection

データの標準を学習させることで、標準から乖離したデータを異常判定する処理
時間軸の違いにより、

• 現在：異常検知
• 未来：予知保全
  がある

代表的なアルゴリズム

手法名	概要
k平均法	これから編集する
サポートベクターマシン	これから編集する
PCAによる異常検知	これから編集する

さいごに

AI知らないことばかり。
定義がわからない、、
ディープラーニングは、機械学習に包含される概念です。
ディープラーニングについてはまた別の記事を作成予定です。