特徴量スケーリング
特徴量スケーリングとは、機械学習のデータ前処理において、異なる単位や数値の範囲（スケール）を持つ特徴量を一定の基準で揃える処理です。データの尺度差による偏りを防ぎ、モデルの予測精度向上や学習の高速化を可能にします。代表的な手法として、平均を0、分散を1にする「標準化」や、データを0から1の範囲に収める「正規化」があります。
AI用語一覧（10ページ目）
512件AI用語一覧を512件掲載しています。気になるAI用語の意味や使い方を確認できます。 現在は10ページ目です。
標準化
AIや機械学習において、データの平均を0、分散を1にするなど、異なるスケールの特徴量を揃える前処理手法。モデルの学習効率や精度を向上させるために広く用いられます。
超知能
超知能とは、あらゆる分野において人間の知的能力を遥かに凌駕する人工知能の概念です。特定の作業に特化した従来のAIとは異なり、科学研究や社会問題の解決など多様な領域で人間以上の自律的な判断や創造性を発揮すると理論されています。
エンコーダー
エンコーダーとは、入力されたデータをAIが処理しやすい別の表現や数値の形式に変換する仕組みのことです。画像やテキストなどの生データを特徴量として抽出し、特徴ベクトルへと圧縮する役割を持ちます。
確率分布
確率分布とは、確率変数を取り得る値とその値を取る確率の対応関係を示したものです。AIや機械学習において、データの傾向を数理的にモデル化し、予測や生成を行うための基礎となる極めて重要な概念です。
Stable Diffusion
Stable Diffusionは、テキストの指示から高品質な画像を生成できるオープンソースの深層学習モデルです。潜在拡散モデルを採用しており、消費者向けの一般的なパソコンでも実行できる手軽さから、クリエイティブ分野や研究開発で広く活用されています。
カーネル関数
カーネル関数は、非線形なデータを高次元空間へマッピングすることで、線形分類を可能にする機械学習の重要な数学的手法です。データ間の類似度を効率的に計算できるカーネル法において中心的な役割を果たし、サポートベクターマシンなどで広く活用されています。
勾配消失問題
勾配消失問題とは、ディープラーニングにおいて層を深くした際、ネットワークの逆誤差伝播法で計算される勾配が入力層に近づくにつれて小さくなり、学習が進まなくなってしまう現象です。活性化関数としてシグモイド関数などを使用すると発生しやすく、パラメータの更新が停滞することでモデルの精度向上を妨げる大きな課題となります。
ストライド
ストライドとは、CNNなどの畳み込み層においてフィルターを移動させる際のステップ幅のことです。値が大きいほど出力マップのサイズが小さくなり、計算効率が向上しますが、詳細な特徴量が失われるトレードオフがあります。
ベクトル量子化
ベクトル量子化とは、複数の数値からなる多次元データを代表的なベクトルに置き換えることで、データを効率的に圧縮する技術です。画像や音声のデータ削減だけでなく、ディープラーニングにおける潜在空間の離散化など、現代の生成AIや表現学習においても重要な役割を果たしています。
減色処理
減色処理とは、画像に含まれる多用な色数を画質を大きく損なわずに削減する画像処理技術です。フルカラー画像を数色から数百色程度の最適なカラーパレットで表現することで、データサイズを大幅に削減します。画像圧縮やWeb表示の軽量化、機械学習における前処理などで利用され、効率的なデータ伝送や処理の高速化に貢献しています。
k-means法
k-means法とは、データをあらかじめ指定したk個のグループに分類する代表的な教師なし学習アルゴリズムです。データの類似性に基づいて自動でグループ分けを行うため、顧客セグメンテーションや画像圧縮などに幅広く活用されています。
特徴量重要度
特徴量重要度とは、機械学習モデルが予測を行う際に、各入力データがどれくらい結果に影響を与えたかを示す指標です。決定木やランダムフォレストなどのアルゴリズムでよく利用され、モデルの予測根拠を解釈する手助けとなります。データ分析において不要なデータの削減や、ビジネス上の意思決定の根拠として重要な役割を果たします。
次元の呪い
次元の呪いとは、扱うデータの次元数（特徴量の数）が増えるにつれて、必要なデータ量が指数関数的に増加し、機械学習モデルの分析や予測の精度が低下する現象です。空間が広大になることでデータ点が疎になり、距離に基づくアルゴリズムの信頼性が損なわれるため、次元削減などの対処法が必要になります。
t-SNE
t-SNE（t分布型確率的近傍埋め込み）とは、高次元データを2次元や3次元の低次元空間に圧縮して可視化するための代表的な次元削減アルゴリズムです。高次元空間におけるデータ点同士の局所的な類似度（近接性）を確率的に捉え、低次元空間でもその局所構造を極力維持するように配置します。主にデータ可視化の用途で機械学習やデータ分析に利用されます。
フレームワーク
フレームワークとは、AIやソフトウェア開発においてプログラムの標準的な骨組みや基盤を提供する開発ツールの構造体です。機械学習やディープラーニングモデルの開発に必要な共通処理があらかじめ用意されており、研究者やエンジニアはゼロからプログラムを記述することなく、効率的に高品質なAIシステムを構築できます。
オープンソース
オープンソースとは、ソフトウェアの設計図にあたるソースコードが一般に公開され、誰もが自由に使用、修正、再配布できる公開形態や思想を指します。AI分野でも、モデルの重みや学習コードを公開するオープンソースLLMが注目を集めており、透明性の向上や開発の高速化、コスト削減といった面で、AI技術の民主化と急速な進化を支えています。
L1正則化
L1正則化とは、機械学習モデルの過学習を防ぐために、モデルの重みの絶対値の和をペナルティとして損失関数に加える手法です。不要な特徴量の重みを完全にゼロにする性質を持つため、重要な変数のみを残す特徴量選択の効果も得られます。モデルの軽量化や解釈性の向上を図る場面で広く活用されています。
ソフトウェア
ソフトウェアとは、コンピュータを動作させるための手順や命令を記述したプログラム、およびそれに関連するデータの総称です。物理的な実体を持つハードウェアとは対照的な概念であり、オペレーティングシステムなどの基本ソフトウェアから、画像認識や自然言語処理を行うAIアプリケーションなどの応用ソフトウェアまで幅広く存在します。
マルウェア
マルウェア（悪意のあるソフトウェア）とは、コンピュータやネットワーク、利用者に不利益をもたらすために意図的に設計された悪質なプログラムの総称です。ウイルス、ワーム、トロイの木馬、ランサムウェアなど多岐にわたる種類が存在し、近年ではAI技術を悪用した高度なマルウェアの開発や、逆にAIを用いた高精度な検知システムの構築などが進んでいます。
確率論
確率論とは、偶然性や不確実性を伴う現象を数学的に扱う理論です。AIや機械学習の基盤となる学問であり、データの不確かさを定量化し、予測や意思決定を行うために欠かせません。ニューラルネットワークの学習や生成AIによるデータの生成プロセスなど、現代の高度な人工知能技術を根底から支えています。
データレイク
データレイクとは、生のデータをそのままの形式で一元的に格納する巨大な貯蔵庫のことです。構造化データだけでなく、画像や音声などの非構造化データも未加工のまま保存できるため、ビッグデータの蓄積や機械学習の素材として欠かせないデータ基盤となっています。必要なときに必要な形でデータを取り出して活用できる柔軟性が特徴です。
データベース
データベースとは、コンピュータ上で大量のデータを整理・構造化して保存し、効率的な検索や更新を可能にする仕組みです。AIの分野では、機械学習モデルの構築に欠かせない学習データの管理基盤として、またRAGなどの検索拡張生成やベクトルデータベースの基盤として極めて重要な役割を果たしています。
ビジネスインテリジェンス
ビジネスインテリジェンス（BI）とは、企業が蓄積した膨大なデータを集計・分析し、経営や現場の意思決定を迅速かつ正確に行うための手法やツールの総称です。売上データや顧客情報をダッシュボードなどで可視化することで、現状の課題把握や業績予測を支援し、データ駆動型の業務改善を実現します。