機械学習

構成要素を一つずつ取り除き、各部分の貢献度を調べる検証手法。

1バッチを処理してパラメータを1回更新する、学習の最小ステップ。

単語や文の意味を、コンピュータが扱える多次元の数値ベクトルとして表現したもの。

適合率と再現率の調和平均。両者のバランスを1つの数値で表す指標。

訓練データ全体を1回学習し終える単位。学習の繰り返し回数を表す。

ニューラルネットワークの各接続が持つ、入力信号の重要度を表すパラメータ。学習で調整される。

連続的な数値を予測する、教師あり学習の代表的タスク。価格や気温の予測などに使われる。

訓練データに過剰に適合し、未知のデータに対する予測性能(汎化性能)が低下してしまう現象。

勾配降下法で、一度の更新でパラメータをどれだけ動かすかを決めるハイパーパラメータ。

大量のデータから規則やパターンをコンピュータ自身に学ばせ、予測や分類を行わせる手法。

モデルの信頼度が、実際の正解率と一致するように調整すること。

エージェントが環境の中で試行錯誤し、報酬を最大化する行動を学んでいく機械学習の枠組み。

入力データと正解ラベルのペアを使ってモデルを訓練し、未知のデータの予測を行う学習方法。

正解ラベルのないデータから、隠れた構造やグループ(クラスタ)を自動的に見つけ出す学習方法。

似たデータ同士を自動的にグループ(クラスタ)にまとめる、教師なし学習の代表的タスク。

モデルを学習させるために使うデータ。質と量が、最終的なモデルの性能を大きく左右する。

学習中のモデルの性能を確認し、ハイパーパラメータの調整に使うデータ。訓練には直接使わない。

損失関数の傾き(勾配)をたどって、誤差が最小になる方向へパラメータを少しずつ更新する最適化手法。

2つのベクトルの向きの近さで意味の似ている度合いを測る指標。

本来見つけるべきもののうち、実際に検出できた割合。取りこぼしの少なさ。

損失関数を最小化するよう、モデルのパラメータを調整していく過程。

ベクトルが持つ数値の個数。表現力と計算コストのバランスを決める。

データ自身から擬似的な正解を自動生成し、人手のラベルなしで学習する手法。

大きな教師モデルの知識を、小さな生徒モデルに移して軽量化する手法。

多層の[[neural-network]]を用いて、データから複雑な特徴を自動的に学習する機械学習の一分野。

モデルが自分の予測にどれだけ自信があるかを表す数値。

モデルが複雑になりすぎるのを抑え、過学習を防ぐための工夫の総称。

全体の予測のうち、正解した割合を表す最も基本的な評価指標。

モデルの予測と正解とのズレを数値化する関数。学習はこの値の最小化を目指す。

機械学習に用いるデータの集まり。通常は訓練・検証・テストに分けて使う。

陽性と判定したもののうち、実際に正しかった割合。誤検出の少なさ。

学習にも調整にも使わず、最終的な性能を公平に評価するためのデータ。

あるタスクで学習済みのモデルを、別の関連タスクに転用して効率的に学習する手法。

モデルへの入力となる、データの性質を数値化した個々の項目。

人間の脳の神経細胞(ニューロン)の仕組みを模倣・着想源とした、機械学習の数理モデル。

学習データの偏りなどに起因して、AIの判断が特定の傾向や不公平を生んでしまうこと。

学習を始める前に人間が設定する、学習の進め方を制御する値。

1回のパラメータ更新でまとめて処理する訓練データの件数。

モデルが学習を通じて獲得する内部の数値。重みやバイアスの総称。

学習に使っていない未知のデータに対して、モデルが正しく働く能力。

少量のラベル付きデータと大量のラベルなしデータを組み合わせて学習する手法。

事前学習済みのモデルを、特定タスク向けの追加データで再訓練し、専門特化させる手法。

データがどのカテゴリ(クラス)に属するかを予測する、教師あり学習の代表的タスク。

数値を一列に並べたもの。AIはあらゆるデータをベクトルとして扱う。

モデルが単純すぎて、訓練データのパターンすら十分に捉えられていない状態。

データから学習した規則を内部に持ち、入力に対して予測や生成を行う仕組み。

教師あり学習で、各データに与える正解の情報。

データを集めず、各端末で学習した結果だけを集約してモデルを作る手法。