検索

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。

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。

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。

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。

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。

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。

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。

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。

大量の汎用データでモデルに基礎的な知識・能力を獲得させる最初の学習段階。

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。

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。

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。

人間の好みの評価を報酬として[[reinforcement-learning]]を行い、AIの応答を人間の価値観に近づける手法。

機械学習モデルの開発・デプロイ・運用・監視を継続的に回す方法論。

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。

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。

出力の誤差を出力層から入力層へ逆向きに伝え、各[[weight]]を効率的に更新する学習アルゴリズム。

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。

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。

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。

ノイズを少しずつ除去する過程を学習し、高品質な画像などを生成する生成モデル。

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。

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。

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。

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。

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。

学習中に一部のニューロンをランダムに無効化し、過学習を防ぐ正則化手法。

ニューロンの出力に加える調整用の定数。重みとは別に学習されるパラメータ。

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。

学習済みモデルに入力を与えて、予測や生成の結果を得ること。

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。

指示と理想の応答のペアで学習させ、指示に従う能力を高める手法。

元のモデルを固定し、小さな追加行列だけを学習する代表的なPEFT手法。

好まれた応答を直接学習し、報酬モデルなしで人間の好みに合わせる手法。

プログラムコードに特化して学習した大規模言語モデル。コード生成・補完に使う。

モデルの学習データが収集された最終時点。それ以降の出来事は基本的に知らない。

大量の並列計算が得意な演算装置。AIの学習・推論に不可欠。

AWS・GCP・Azureなどクラウド上でAIの学習・推論を行う形態。

学習済みモデルを本番環境で稼働させ、推論を提供すること。

学習済みモデルをバージョン管理・保管し、来歴を追える台帳。

学習フレームワーク間でモデルを共通形式で受け渡すための標準。

個人情報がAIの学習・利用で漏れたり悪用されたりしないよう守ること。

AIの学習データや生成物をめぐる著作権の論点。

個別最適な学習支援や採点自動化など、教育分野に応用されるAI。

実データの代わりにAIが人工的に作り出す学習用データ。

Googleが開発した、機械学習計算に特化した専用プロセッサ。

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。

機械学習の実験管理・可視化を行う代表的なMLOpsツール。