著者: 禅とコンピュータープログラミングの芸術
現代社会では、ビッグデータ、クラウドコンピューティング、人工知能などの新しいテクノロジーの発展に伴い、意思決定の効率性と正確性がますます重視されています。データ分析を通じて将来のトレンドを予測し、それに基づいて正しい意思決定を行う、インテリジェントな意思決定の分野に従事する人がますます増えています。インテリジェントな意思決定の本質は一連の意思決定ルールの集合であるため、高度なコンピューターサイエンス、数学、統計、その他の主題知識が必要となります。今日、多くの企業がインテリジェントな意思決定システムの研究開発に取り組み始めています。大量のデータを収集し、機械学習テクノロジーを使用して分析し、インテリジェントな意思決定モデルを開発し、意思決定結果をユーザーに出力することで、最終的に作業効率の向上、人件費の削減、顧客満足度の向上を実現します。これらの企業の中には、企業がプロセスを管理し、生産性を最適化し、ビジネス戦略を改善し、意思決定結果を製品やサービスに直接変換することを支援するインテリジェントな意思決定支援ツールの提供など、商用サービスも提供する予定です。しかし、いずれにせよ、実際的な問題を解決し、インテリジェントな意思決定を実現するために機械学習テクノロジーを適用する方法とは切り離せません。しかし、どうすれば機械学習アルゴリズムを真に理解して習得できるのでしょうか? いつどのアルゴリズムを使用する必要がありますか? このような質問はよく寄せられます。この記事の目的はそれらに答えることです。
2. 基本的な概念と用語の説明
2.1 教師あり学習と教師なし学習
機械学習 (ML) は、教師あり学習 (Supervised Learning) と教師なし学習 (Unsupervised Learning) という 2 つの主な方法に分けられます。
- 教師あり学習では、トレーニング セット内の各データ インスタンスには、「ラベル」または「クラス ラベル」と呼ばれる、対応するターゲット値またはカテゴリ ラベルがあります。教師あり学習の目的は、このラベル付き情報を使用して未知のデータを分類することです。一般的な教師あり学習アルゴリズムには、ロジスティック回帰、デシジョン ツリー、サポート ベクター マシン (SVM)、単純ベイズ法などが含まれます。
- 教師なし学習では、ラベル情報はありません。このタスクでは、多くの場合、人間または他の機械学習アルゴリズムがデータの基礎となる構造を発見する必要があります。一般