古典的機械学習

古典的機械学習

人工知能概論（COMP5511）第6回へようこそ。本セッションは、理論的な基礎から実践的なアルゴリズム実装への橋渡しとなるものです。現代のAIはディープラーニングに重点を置くことが多いですが、 古典的機械学習 は依然としてデータ分析の基盤です。これらのアルゴリズムは高い 解釈性 と 計算効率を備えており、構造化データや業界標準の分析において好まれる選択肢となっています。

1. 教師あり学習

このパラダイムでは、モデルを ラベル付きデータセットで訓練し、アルゴリズムが入力特徴量と特定の目標出力との関係を学習します。これによりモデルは、新しい未見のデータに対して 結果を予測 することが可能になります。

• 決定木：分類または数値的な決定に至るために、データを分岐に分割するモデル。
• サポートベクターマシン（SVM）：異なるデータクラス間のマージンを最大化する 最適な超平面 を見つけるアルゴリズム。

2. 教師なし学習

これらのアルゴリズムは ラベルなしデータ を分析し、出力がどうあるべきかという事前の指針なしに、隠れたパターン、構造、またはグループ分けを発見します。主な手法は以下のとおりです：

• K-meansクラスタリング：特徴の類似性に基づいてデータポイントをK個の異なるグループに分類する手法。
• 主成分分析（PCA）： 次元削減 手法で、本質的な分散を保持しながら複雑なデータを簡素化するために使用されます。