目次
1. 機械学習とは何ですか?
メロンから始まる
経験を積む
経験を活かす
新しい決断
2. 分類と回帰の問題
| 特性 | 分類問題 | 回帰問題 |
|---|---|---|
| 出力タイプ | 離散データ | 連続データ |
| 目的 | 意思決定の境界線を見つける | 最適なフィット感を見つける |
二項分類
線形回帰
多項式回帰
クラスタリング問題
注: ラベルは、クラスタリング問題のトレーニング プロセス中には与えられません。
教師あり学習
教師あり学習とは、与えられたトレーニング データセットから関数を「学習」することで、新しいデータが到着すると、その関数に基づいて結果を予測できます。教師あり学習のトレーニング セット要件には、入力と出力、つまり特徴とターゲットが含まれます。トレーニング セット内のオブジェクトには、事前に人間によって注釈が付けられます。
主な用途: 分類問題と回帰問題
一般的なアルゴリズム: デシジョン ツリーとランダム フォレスト、ロジスティック回帰、
ニューラル ネットワーク、単純ベイズ、ロジスティック回帰など。
教師なし学習
教師なし学習の過程では、物の属性のみが提供され、物のラベルは提供されないため、学習者は自分で要約することができます。したがって、教師なし学習は帰納的学習とも呼ばれ、データセットを類似のオブジェクトで構成される複数のクラスター (またはグループ) に分割するプロセスを指します。同じグループにあるものの特性は非常に近く、異なるグループにあるものの特性は遠く離れているという結果を達成するため。
主な用途: クラスタリング問題
一般的なアルゴリズム: K-means、Apriori、FP-Growth
半教師あり学習
強化学習
強化学習とは、エージェントが特定の環境における現在の状態に基づいてアクションを実行し、最大の報酬を得ることができる最適なポリシーを学習することです。
