機械学習の基礎用語まとめ：学習の種類・アルゴリズム・データ準備を体系的に解説

機械学習は、データからパターンを学び、予測や判断を自動で行う技術です。このページでは、機械学習を学ぶうえで押さえておきたい用語を「学習の種類」「タスク」「アルゴリズム」「データ準備」「学習と調整」の順に整理しました。各用語の詳しい解説記事にもすぐ移動できます。

学習の種類

機械学習で解く主なタスク

• 回帰：数値を予測します（売上、需要など）。
• 二値分類・多クラス分類：カテゴリを判定します。
• クラスタリング：似たデータをまとめます（k平均法、階層的クラスタリング・デンドログラム）。
• 次元削減：多くの特徴を少数にまとめます（主成分分析（PCA）、t-SNE）。
• 異常検知：普段と違うデータを見つけます。
• 推薦：レコメンドシステム、協調フィルタリング、コールドスタート問題。
• 時系列：時系列分析、時系列予測（ARIMA・Prophet・LSTM）。

代表的なアルゴリズム

画像・音声・文章など複雑なデータには、ニューラルネットワークを使うディープラーニングが使われます。詳しくはディープラーニング用語まとめをご覧ください。

データの準備

• 教師データ：モデルに与える正解付きのデータ。質と量が精度を左右します。
• 特徴量エンジニアリング：予測に役立つ特徴を作り出す工程です。
• データ拡張・合成データ：データ不足を補う方法です。
• 不均衡データ・外れ値：そのまま学習すると精度を大きく落とす要因です。
• 機械学習のバイアス・サンプリングバイアス：データの偏りが予測を歪める問題です。
• 共変量シフト・予測ドリフト：学習時と運用時でデータの性質が変わり、精度が落ちる現象です。

学習と調整

• 誤差関数と目的関数：学習で最小化（最大化）する対象です。
• 勾配降下法：誤差が小さくなる方向へパラメータを少しずつ動かす基本の最適化手法です。局所最適解にはまらず大域最適解に近づける工夫が重要です。
• ハイパーパラメータ：人が事前に決める設定値です。ベイズ最適化やAutoMLで効率よく探索できます。
• 過学習：学習データに合わせすぎて未知データで外れる状態です。交差検証や学習曲線で見抜きます。
• 評価指標：詳しくは機械学習の評価指標まとめで整理しています。

強化学習の基本用語

• 価値関数・Q値：ある状態や行動がどれだけ得かを表す値です。
• 割引率：将来の報酬をどれだけ割り引いて評価するかを決めます。
• ε-greedy方策・UCB方策：「探索」と「活用」のバランスをとる行動選択の方法です。
• Actor-Critic・REINFORCE：方策を直接学習する手法です。
• 逆強化学習：熟練者の行動から報酬を推定します。

モデルの判断を説明する

説明可能なAI（XAI）は、AIがなぜその予測をしたのかを人が理解できるようにする技術です。代表的な手法にSHAP値とLIMEがあります。

実践に使うツール

Pythonではscikit-learnでアルゴリズムを手軽に試せます。データ加工にはPandasを使います。腕試しにはKaggleのコンペが最適です。

よくある質問

Q. 初心者はどのアルゴリズムから学べばよいですか？

線形回帰とロジスティック回帰から始め、次に決定木→ランダムフォレスト→XGBoostと進むのがおすすめです。モデルの考え方が少しずつ発展していくので理解しやすくなります。

Q. AI・機械学習・ディープラーニングの関係は？

AIが最も広い概念で、その中にデータから学ぶ機械学習があり、さらにその一部として多層ニューラルネットワークを使うディープラーニングがあります。