バックプロパゲーション
バックプロパゲーションとは、ニューラルネットワークの学習において予測誤差を逆向きに伝え、パラメータを最適化するアルゴリズムです。ディープラーニングの基礎となる重要な技術であり、AIが正解に近づくための学習を効率的に進める役割を担っています。
機械学習のAI用語一覧（10ページ目）
348件機械学習に関するAI用語を348件掲載しています。意味や使い方、関連用語を一覧から確認できます。 現在は10ページ目です。
ミニバッチ学習
ミニバッチ学習とは、機械学習の訓練においてデータを小さなまとまりに分割して学習を行う手法です。計算効率と精度のバランスが良く、ディープラーニングの標準的な最適化手法として広く利用されています。
レイヤー正規化
レイヤー正規化は、ディープラーニングにおいて各データの各層における活性化値をサンプル単位で正規化する技術です。バッチサイズに依存せず安定した学習が可能になるため、Transformerや再帰型ニューラルネットワークなどの自然言語処理モデルで広く採用されています。勾配消失の抑制や学習の高速化に大きく貢献します。
勾配消失
勾配消失とは、深層学習において学習の過程で誤差逆伝播法を通じて伝わる勾配が次第に小さくなり、最終的に入力層に近い初期の層の重みが更新されなくなる現象です。これにより多層のニューラルネットワークの学習が正常に行われなくなる課題があります。
Ridge回帰
Ridge回帰とは、機械学習や統計学において過学習を防ぐために用いられるL2正則化項を追加した線形回帰の手法です。モデルの係数が過度に大きくなることをペナルティによって抑制し、未知のデータに対する予測精度を安定させます。
埋め込み法
埋め込み法（Embedding）とは、テキストや画像などのデータをコンピューターが扱いやすい連続的な数値の配列であるベクトルに変換する技術です。データの高次元な情報を高密度の低次元空間に圧縮しつつ、意味や概念的な類似度を計算可能な形式で保持できるため、現代の自然言語処理や検索システムにおいて基盤的な役割を果たしています。
ラッパー法
ラッパー法とは、機械学習のモデルを用いて最適な特徴量の組み合わせを選択する手法です。予測性能を直接評価基準にするため精度向上が期待できますが、計算コストが非常に高いという特徴があります。
フィルター法
フィルター法は、機械学習のモデルを構築する前に、データの統計的な特性だけを利用して不要な特徴量を排除する手法です。モデルの学習を行わないため計算コストが非常に低く、高次元データを効率的に前処理できる点が大きなメリットです。
事前学習モデル
事前学習モデルとは、膨大なデータを用いてあらかじめ学習を済ませた人工知能モデルのことです。ゼロから学習させる手間やコストを大幅に削減し、様々なタスクへ効率的に適用できるため、近年のAI開発における基盤技術として広く活用されています。
指示チューニング
指示チューニングとは、事前学習済みの大規模言語モデルに対し、自然言語の指示と応答のペアを用いた教師あり学習を行い、ユーザーからの様々な指示に適切に従う能力を高める調整手法のことです。これにより、モデルは汎用的な対話やタスク実行が可能になります。
基盤モデル
基盤モデルとは、膨大なデータを用いて事前に学習され、多様な下流タスクへ適応できるAIモデルの総称です。近年の大規模言語モデルやマルチモーダルAIの土台として、人工知能の発展を大きく加速させています。
蒸留
蒸留（知識蒸留）とは、巨大な高性能なニューラルネットワーク（教師モデル）が持つ知識を、より軽量でコンパクトなモデル（生徒モデル）に効率よく引き継がせる技術です。精度を極力落とさずに処理速度を向上させられるため、AIの実用化において広く活用されています。
モデル量子化
モデル量子化とは、AIモデルの重みパラメータの数値表現の精度を下げてデータ量を削減し、メモリ消費量や推論処理を高速化する技術です。精度のわずかな低下と引き換えに、エッジデバイスでの実行を可能にします。
獲得関数
獲得関数とは、ベイズ最適化において次にどの点を探索すべきかを決定するための基準となる関数です。未知の目的関数の予測平均と不確実性を考慮し、効率的な探索と活用のバランスをとりながら最適なパラメータを見つけ出すために用いられます。
イテレーション数
イテレーション数とは、機械学習やディープラーニングのモデル訓練において、ミニバッチを用いてモデルのパラメータを更新する処理を何回繰り返したかを表す回数です。AIの学習進度や完了を管理する上で重要な指標となります。
最適化アルゴリズム
最適化アルゴリズムとは、AIや機械学習のモデルにおいて、予測誤差を最小化するためにパラメータを効率的に調整する手法の総称です。モデルの精度を向上させるために不可欠な中核技術であり、勾配降下法などが広く使われています。
ハイパーパラメーター
ハイパーパラメーターとは、機械学習モデルの構築において、学習を始める前に人間（開発者）が外部からあらかじめ設定する必要がある調整用の変数のことです。学習率やバッチサイズ、エポック数などがこれに該当し、モデルの学習速度や予測精度、過学習の抑制などに決定的な影響を与えます。
K-Fold交差検証
K-Fold交差検証（K-分割交差検証）は、機械学習モデルの予測性能を評価するための検証手法です。手元のデータをK個のグループに分割し、そのうちの1つをテストデータ、残りのK-1個を学習データとして用いて評価を行うプロセスをK回繰り返します。限られたデータを有効活用し、データの偏りによる評価のブレを抑えることができます。
透明性
AIの透明性とは、モデルの予測根拠や内部の仕組みが人間にとって理解しやすく開示されている状態を指します。ブラックボックス問題への対策として、信頼性向上や説明責任の観点からAI開発において不可欠な要素となっています。
データバイアス
データバイアスとは、AIの学習用データに偏りがあることで、出力結果や判断に不公正な歪みが生じる現象です。歴史的な偏見や収集方法の偏りが原因となり、機械学習モデルの精度低下や公平性の欠如を引き起こすため、AI倫理の観点からも重要な課題となっています。
標準偏差
標準偏差とは、データのばらつき具合を表す統計的な指標です。各データが平均値からどれくらい離れているかを平均的に示したもので、元のデータと同じ単位で扱える特徴があります。AIや機械学習の分野では、データ前処理における特徴量スケールの揃え込み（標準化）や、モデルの予測精度の評価、異常検知など幅広く活用されています。
大型言語モデル
大型言語モデル（LLM）とは、膨大なテキストデータとディープラーニング技術を用いて人間の言語を理解し生成するAIモデルです。文章の作成や要約、質問への回答など多様な自然言語処理タスクを高精度に実行できます。
敵対的攻撃
敵対的攻撃とは、AIや機械学習モデル（特に深層学習）に対して、人間には判別できないほどの微小なノイズや細工を加えた入力（敵対的サンプル）を与えることで、モデルに意図的な誤認識や誤分類を起こさせるサイバー攻撃の手法です。AIの脆弱性を突くセキュリティ上の重大な脅威として、現在盛んに研究されています。
最適化
最適化とは、与えられた制約条件の下で、特定の目的関数を最大化または最小化する最適な解決策を見つけ出すプロセスです。AIの分野、特に機械学習においては、モデルの予測誤差を最小化するために「損失関数」を減少させるパラメータ（重みやバイアス）を探索するプロセス（勾配降下法など）を指し、学習の根幹を支えています。