スクラッチ学習
スクラッチ学習とは、事前学習済みのモデルを使用せず、初期化された重みを持つニューラルネットワークなどに対して、独自のデータセットを用いてゼロから学習を行う手法です。特定用途への高い適性が期待できる反面、膨大な計算資源とデータ量が必要となります。
機械学習のAI用語一覧（2ページ目）
1,800件機械学習に関するAI用語を1,800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2ページ目です。
訓練データ
訓練データとは、機械学習モデルがパターンや規則性を学習するために使用されるデータ群です。AIの精度や性能を左右する基礎となり、適切な品質と量の確保が不可欠です。
パラメータ
パラメータとは、AIや機械学習のモデルがデータから学習する過程で自動的に調整される内部の数値データです。主に重みとバイアスで構成され、入力データから適切な予測や判断を行うための計算式を形作ります。パラメータの数が増えるほどモデルの表現力が高まりますが、膨大な計算資源と広範な学習データが必要になります。
ハイパーパラメータ
ハイパーパラメータとは、機械学習モデルの訓練を開始する前に人間や外部アルゴリズムが事前に設定する調整用パラメータです。モデルの学習プロセスそのものや構造を制御する役割を持ち、学習率やバッチサイズ、エポック数などが代表例です。モデルがデータから自動的に獲得する通常のパラメータとは区別され、予測精度や学習速度を左右する極めて重要な要素です。
バイアス
バイアスとは、AIや機械学習において予測値と正解値の間に生じる系統的なずれ、またはデータの偏りによって生じる予測の不公平性のことです。統計学的にはモデルの表現力不足による誤差を指し、AI倫理では人間社会の偏見を反映した差別的な判定を指します。公平なAIを構築するには、学習データの選定から評価まで各段階でバイアスを監視・排除する対策が重要です。
勾配
AIや機械学習において、モデルの予測誤差を最小化するための指針となる「坂道の傾き」を表す数学的な概念です。誤差関数を最小にする方向を見つけ出すために欠かせない極めて重要な要素です。
ステップ
機械学習のモデル訓練において、データの一部（ミニバッチ）を用いてパラメータを1回更新する最小の処理単位、あるいは画像生成AIなどの拡散モデルにおける段階的なノイズ除去プロセスの1回分のステップを指します。文脈により学習時のイテレーション（反復）や、生成時のサンプリング段階を意味し、AIの性能や生成品質を制御する重要な概念です。
教師
機械学習における「教師」とは、AIモデルに学習させるための正しい答え（正解ラベル）やそのデータを提供する役割・概念を指します。人間がデータに注釈をつけるアノテーション作業などを通じて準備され、AIが入力データと正解との誤差を計算して予測精度を向上させるための基準として機能します。
教師なし学習
教師なし学習とは、正解データ（ラベル）を与えずに、AIが入力データの構造や特徴パターンを自律的に発見・学習する機械学習の手法です。クラスタリングや次元削減などに用いられ、大量の未ラベルデータから潜んでいる法則性やグループを見つけ出す際に威力を発揮します。顧客セグメンテーションや異常検知などで活用されています。
基底
AIや機械学習において基底とは、ベクトル空間を構成する基礎的なベクトルの組を指します。データの特徴量を表現する座標系として機能し、次元削減やデータ分析の基礎となります。
ノイズ
機械学習においてノイズとは、データに含まれる本来の不要な不純物や歪みのことです。学習の妨げとなり、モデルの精度低下や過学習を引き起こす要因となります。一方で、画像生成に用いられる拡散モデルのように、あえてノイズを利用して新しいデータを生成する技術も存在します。適切な前処理によりこれらを除去・制御することがAI開発において極めて重要です。
テストデータ
テストデータは、機械学習モデルの最終的な予測精度や汎用性を客観的に評価するために使用される未学習のデータセットです。学習データや検証データとは明確に分離され、モデルが未知のデータに対してどの程度正しく予測できるか（汎化性能）を評価するために欠かせない役割を果たします。
説明可能AI
説明可能AI（XAI）とは、AIの予測や判断のプロセスを人間が理解できるように説明する技術やアプローチのことです。ブラックボックス化しやすい機械学習モデルの透明性を高め、結果の根拠を明確にすることで、医療や金融などの重要分野でも安心して利用できるようにします。
超平面
超平面とは、n次元空間を2つに仕切るn-1次元の領域であり、機械学習ではデータを分類する決定境界として活用されます。例えば2次元での直線、3次元での平面に相当します。サポートベクターマシンなどの線形分離モデルで用いられ、複雑な特徴量空間内のデータを精度高く二分するために不可欠な数学的概念です。
インスタンスセグメンテーション
インスタンスセグメンテーションは、画像内の個々の物体（インスタンス）をピクセル単位で識別して検出するコンピュータビジョンの技術です。同じカテゴリの物体であっても、それぞれを「個別の物体」として分離して認識できるのが特徴で、自動運転や医療画像解析など高度な画像理解が必要な分野で広く活用されています。
順序変数
順序変数とは、データに含まれるカテゴリ間に順序やランク（大小関係）が存在する変数のことです。顧客の満足度評価（高・中・低）や学歴、資格ランクなどが該当します。機械学習やデータ分析における特徴量エンジニアリングでは、各選択肢の順序情報を保持したまま適切な数値へ変換（符号化）してモデルに入力することが重要です。
ベイズ更新
ベイズ更新とは、新しいデータが得られるたびに事前確率を更新して事後確率を求める統計的推論の手法です。AIや機械学習分野において、不確実性の高いデータを効率的に処理し、予測精度を逐次的に向上させるための重要なアルゴリズムとして広く活用されています。
特化型AI
特化型AIとは、特定のタスクや限定された領域の処理に特化した人工知能のことです。チェスや画像認識、音声認識など個別の分野で高い性能を発揮しますが、あらかじめプログラムされた範囲外の応用はできません。現在の実社会で普及しているAIはすべてこのタイプに分類されます。
予測分析
予測分析とは、過去のデータと統計的手法や機械学習を組み合わせ、将来の出来事やトレンドを予測するデータ分析手法です。ビジネスや医療、製造など多様な分野で活用され、直感に頼らないデータ駆動型の意思決定やリスク管理、リソースの最適化に大きく貢献します。
正則化
正則化とは、機械学習モデルが訓練データだけに過度に適応してしまう「過学習」を防ぎ、未知のデータに対する予測性能を高めるための手法です。モデルの複雑さにペナルティを課すことでパラメータの極端な増大を抑え、よりシンプルなモデルへと誘導します。L1正則化やL2正則化、ドロップアウトなどの手法が存在します。
汎化性能
汎化性能とは、AIや機械学習モデルが学習時に使用していない未知のデータに対して、正確な予測や処理を行える能力のことです。訓練データだけに過剰に適応してしまう過学習を防ぎ、実運用環境で高い精度を維持するために極めて重要な指標となります。適切なモデル評価やテストデータによる検証を通じて、汎化性能の向上が図られます。
ブラックボックス性
ブラックボックス性とは、人工知能や機械学習モデルが入力から結果を出力するまでの推論プロセスや内部の仕組みが、人間には見えにくい特性のことです。特に深層学習において顕著であり、AIの信頼性確保や説明責任の観点から重要な課題となっています。
偽陽性率
偽陽性率（FPR）とは、実際には陰性であるデータのうち、誤って陽性と判定されてしまった割合を示す評価指標です。機械学習モデルの性能評価や二値分類において、誤検知の多さを測定するために用いられ、安全性の確保や運用コストの削減において重要な意味を持ちます。
スカラー
スカラーとは、方向を持たず大きさ（数値）だけで表される量的データのことであり、AIや機械学習の分野ではモデルのハイパーパラメータや損失関数の計算などにおいて基本的なデータ単位として広く利用されています。