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。
機械学習のAI用語一覧（3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3ページ目です。
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。
訓練済みモデル
訓練済みモデルとは、機械学習やディープラーニングのアルゴリズムに大量のデータを学習させ、予測や判断ができるようにパラメータを最適化した状態のAIプログラムのことです。
GPT
GPT（Generative Pre-trained Transformer）は、OpenAI社が開発したトランスフォーマーというニューラルネットワーク構造をベースにする大規模言語モデルです。膨大なテキストデータから事前学習を行い、自然な文章生成や多様なタスクに対応できます。現代の生成AIの基盤技術として広く活用されています。
エポック
エポックとは、機械学習やディープラーニングにおいて、訓練用データセット全体をモデルに1回学習させる単位のことです。データが1周学習されると「1エポック」とカウントされます。学習回数を適切に設定することで、AIモデルの予測精度を高めつつ、過学習や未学習を防ぐために重要なハイパーパラメータとして使用されます。
主成分分析
主成分分析とは、多次元データの情報を可能な限り失わずに、より少ない変数へと要約する次元削減の手法です。AIや機械学習の前処理として、データの可視化や過学習の防止に広く活用されています。
ReLU
ReLU（レルー）は、ディープラーニングのニューラルネットワークで広く用いられる活性化関数の一種です。入力値が0以下の場合は0を出力し、0を超える場合は入力をそのまま出力するという単純な計算ルールを持ちます。計算が非常に高速で、勾配消失問題を緩和できるため、現代の深層学習モデルにおいてデファクトスタンダードとして定着しています。
シグモイド関数
シグモイド関数とは、任意の入力値を0から1の範囲の実数に変換するS字型の数学的関数です。機械学習や深層学習において二値分類の予測確率の算出やニューラルネットワークの活性化関数として広く活用されてきました。
高次元空間
高次元空間とは、多数のデータ特徴量（次元）によって構成される多次元的な数値空間のことです。AIや機械学習において、テキストや画像などの複雑なデータを多次元のベクトルとして表現・処理する際に利用されます。次元が増えることでデータの詳細な特徴を捉えられる一方、次元の呪いと呼ばれる計算負荷増加や密度低下の課題も存在します。
非線形分離
非線形分離とは、複雑に入り組んだデータを直線や平面ではなく、曲線や曲面を用いて分類する手法のことです。単純な直線ではうまく分けられない境界を持つデータに対して、機械学習モデルが正確な識別を行うために不可欠な概念となっています。
尤度
尤度とは、観測されたデータが特定のパラメータや確率モデルのもとで発生する「当てはまりやすさ」を表す指標です。確率が「前提条件から結果が起こる割合」を示すのに対し、尤度は「結果から前提条件の妥当性」を評価する逆向きの視点を持ちます。AIや機械学習のモデル訓練において最適なパラメータを検索・選定する基礎として幅広く利用されています。
ベクトル
ベクトルとは、AIにおいて単語や画像などのデータを数値の並びとして表現したものです。AIはこの数値の空間上で計算を行うことで、データの意味や類似性を理解し、自然言語処理や画像認識などの高度な処理を実現しています。
ソフトマックス関数
ソフトマックス関数とは、複数の数値を合計が1になる確率のような分布へと変換する活性化関数です。主にニューラルネットワークの出力層で使われ、多クラス分類問題において各クラスに属する確率を算出する際に重要な役割を果たします。
正解データ
正解データとは、機械学習モデルの訓練や評価において「正しい出力」として与えられる基準となるデータのことです。特に教師あり学習において不可欠であり、入力データに対して期待される出力のペアで構成されます。人間がアノテーション作業を通じて作成することが多く、モデルの予測精度向上や性能評価を行う上で基盤となる重要な要素です。
摂動
摂動とは、AIや機械学習のモデルにおいて、入力データやパラメータにごくわずかな変化を加える操作を指します。機械学習の分野では、モデルの頑健性を評価するためのテストや、敵対的攻撃に対する防御策の研究などにおいて重要な役割を果たしています。
検知閾値
検知閾値とは、AIモデルが物体や異常などを検知したと判断するための境界となる数値です。この値を調整することで、見逃しを減らすか、誤検知を減らすかのバランスを制御できます。
生徒モデル
生徒モデルとは、知識蒸留などの手法において、大規模な教師モデルから出力を模倣するように学習し、軽量かつ高速な推論を実現する機械学習モデルのことです。
データパイプライン
データパイプラインとは、データの収集から加工、ストレージへの保存、機械学習モデルへの入力までの一連の流れを自動化する仕組みです。AI開発やデータ分析において、高品質なデータを継続的かつ効率的に供給するために不可欠な基盤となります。
パーソナライズ
パーソナライズとは、ユーザーの好みや行動履歴などのデータに基づいて、AIが情報やサービスを個別に最適化する技術です。ECサイトのおすすめ商品表示や動画配信サービスのコンテンツ提案などで広く活用されています。
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。
カーネルトリック
カーネルトリックとは、低次元のデータを高次元空間へ直接写像することなく、内積計算の工夫によって線形分離が困難な問題を効率的に解く機械学習の手法です。計算量を抑えつつモデルの表現力を高められるため、サポートベクターマシンなどで広く活用されています。
データオーグメンテーション
データオーグメンテーションは、機械学習モデルの訓練用データを人工的に増やす技術です。既存のデータに対して回転、反転、色調調整などの加工を施すことで、過学習を防ぎ、未知のデータに対する認識精度や汎化性能を大きく向上させることができます。
エンコーダ
エンコーダとは、入力されたデータをコンピュータが処理しやすい形や別の表現に変換する仕組みのことです。自然言語処理や画像認識などのAI分野で広く活用されており、データの意味や特徴を効率的に抽出する役割を担っています。
外れ値
外れ値とは、他のデータから大きく外れた特異な数値のことです。機械学習モデルの精度低下や誤った分析結果の原因となるため、データ分析や前処理の段階で適切に検出・処理することが極めて重要となります。