カラー量子化
カラー量子化とは、画像内で使われている膨大な色数を、人間の視覚特性に配慮しつつ少数の代表色（パレット）へと削減する画像処理技術です。画質劣化を最小限に抑えながら画像データのファイルサイズを大幅に削減できるため、画像圧縮やWeb最適化において重要です。機械学習アルゴリズムであるk-means法などが代表色の選定に広く応用されています。
機械学習のAI用語一覧（3ページ目）
220件機械学習に関するAI用語を220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。
セグメンテーション
セグメンテーションとは、画像やデータ等を意味のある領域やグループに分割する処理技術です。AIや機械学習の分野では、画像認識においてピクセル単位で物体や背景を識別する手法として広く活用され、自動運転や医療画像診断などで重要な役割を果たしています。
カーネル
カーネルとは、非線形なデータを高次元空間に写像することで、線形分離が困難な問題を取り扱いやすくする機械学習の重要な概念です。主にサポートベクターマシンなどで利用され、複雑なパターンの識別を効率的に行います。
アライメント問題
AIアライメント問題とは、人工知能の目標や行動が人間の意図や倫理観、価値観と一致するように制御することが困難であるというAI安全性における課題です。AIの性能が向上するほど、予期せぬ行動や誤った最適化のリスクが高まるため、重要な研究分野となっています。
正規化
正規化（Normalization）とは、データの各特徴量のスケール（値の範囲）を統一する処理のことです。主にデータを0から1の範囲に変換することで、特定の変数の影響力が不当に大きくなるのを防ぎ、機械学習モデルの学習を安定化・高速化させます。画像処理や自然言語処理など、多様なAI分野のデータ前処理において必須のプロセスです。
勾配爆発問題
勾配爆発問題とは、深層学習の学習時に誤差逆伝播法を通じて算出される勾配が過度に巨大化し、パラメータの更新が不安定になる、あるいは破綻する現象です。特にRNNなどの深いネットワークで起こりやすく、モデルの学習が正常に進まなくなる重大な課題の一つです。
逆誤差伝播法
逆誤差伝播法とは、ニューラルネットワークの学習において、出力された予測値と正解との誤差をネットワークの逆向きに伝播させ、各パラメータを効率的に更新するためのアルゴリズムです。深層学習の急速な発展を支えた最も重要な基盤技術の一つです。
ダイイングReLU問題
ダイイングReLU問題とは、ディープラーニングの活性化関数であるReLUにおいて、ニューロンの出力が常にゼロになり更新されなくなる現象です。学習中に大きな勾配が流れると重みが負の領域に固定され、ニューロンが実質的に死亡してモデルの表現力が低下します。これを防ぐためにLeaky ReLUなどの派生関数が用いられます。
ロジスティック回帰
ロジスティック回帰とは、データが特定のクラスに属する確率を予測するための代表的な機械学習アルゴリズムです。名前は回帰ですが、実際にはスパムメールの判定や病気の有無といった「分類問題」を解決するために広く使われる基本手法です。
線形性
線形性とは、入力の変化に対して出力が常に一定の割合で変化する性質のことです。比例関係や重ね合わせの原理が成り立つ状態を指し、数学やデータサイエンスの基礎となる概念です。AIの分野では線形モデルの設計や理解に不可欠ですが、実際の複雑なデータパターンを捉えるには活性化関数などを用いた非線形性の導入が必要となります。
多層パーセプトロン
多層パーセプトロン（MLP）は、入力層、隠れ層、出力層の複数の層から構成される基本的な人工ニューラルネットワークです。非線形なデータの関係性を学習できるため、現代の深層学習の基礎となる重要なアーキテクチャです。
オートエンコーダ
オートエンコーダは、入力データを一度次元削減して圧縮し、再び元のデータに復元するプロセスを学習する教師なし学習のニューラルネットワークです。データの持つ本質的な特徴抽出や異常検知、ノイズ除去に広く活用されています。
敵対的生成ネットワーク
敵対的生成ネットワーク（GAN）は、生成器と識別器という2つのAIモデルを競い合わせることで、高精度な画像やデータを自動生成するディープラーニングの枠組みです。1人のアーティストと1人の鑑定士が競うように学習し、本物そっくりな偽物を作り出します。
二値分類
二値分類とは、データを「はい/いいえ」や「スパム/非スパム」のように2つのカテゴリのいずれかに振り分ける機械学習の基本的なタスクです。メールの迷惑メール判定や医療の病気有無の予測など、多様な分野で活用されています。
ベルヌーイ分布
ベルヌーイ分布は、結果が成功と失敗の2通りしかない試行の確率をモデル化する最も基本的な確率分布です。機械学習においては、二値分類問題の出力層や潜在変数の表現など、確率的な予測を行う際の基礎として広く利用されています。
確率変数
確率変数は、確率的に変動する事象に数値を割り当てる仕組みであり、AIや機械学習においてデータやモデルの不確実性を数学的に扱うための基礎となる極めて重要な概念です。
統計的機械翻訳
統計的機械翻訳は、大量の二言語間テキストコーパスを用いた確率モデルに基づき、ある言語の文を別の言語へ自動的に翻訳する技術です。かつては主流の手法でしたが、現在はより文脈理解に優れるニューラル機械翻訳に取って代わられています。
条件付き確率場
条件付き確率場（CRF）は、データの順序や文脈による相互依存関係を考慮して最適なラベルシーケンスを予測する確率的グラフィカルモデルです。自然言語処理の品詞タグ付けや固有名詞抽出などの「逐次ラベル付け」において、前後のつながりを統合的に判断して高精度な分類を実現するための基盤技術として広く用いられています。
マルコフ過程
マルコフ過程とは、未来の状態が現在の状態のみに依存し、過去の推移には依存しないというマルコフ性を満たす確率過程のことです。AIや強化学習において、エージェントが次に取る行動や環境の変化を確率的に予測・モデル化するための基礎理論として広く活用されています。
特徴量エンジニアリング
特徴量エンジニアリングとは、機械学習モデルの予測精度を向上させるために、生のデータから適切な入力変数を作成・加工するプロセスです。ドメイン知識を活用してモデルがパターンを学習しやすくします。
決定木
決定木とは、データを分類または回帰するための代表的な教師あり学習アルゴリズムです。データを特定の条件（質問）によって段階的に分岐させ、樹木のような階層構造（木構造）で意思決定のプロセスを視覚化します。モデルの解釈性が非常に高く、専門知識がなくても予測に至るルールを容易に理解できる点が大きな特徴です。
回帰分析
回帰分析は、過去のデータから変数間の関係性を数式で表し、数値の予測や要因の分析を行う統計手法です。機械学習においては、売上予測や価格推定などの連続値を予測するタスクの基礎として広く活用されています。
テキスト分類
テキスト分類は、自然言語処理を用いてテキストデータを事前に定義されたカテゴリーに自動で分類する技術です。迷惑メールの判定や顧客レビューの感情分析など幅広く実用化されています。ルールベースの手法から、機械学習、そして最新のディープラーニングや大規模言語モデルを用いた手法へと進化しており、現代のAI活用における基礎的なタスクの一つとなっています。
ハイパーパラメタ
ハイパーパラメタとは、機械学習やディープラーニングにおいてモデルの学習を開始する前に人間が手動で設定する構成設定値です。学習率やバッチサイズなどが該当し、モデルがデータから自動的に調整するモデルパラメータとは明確に区別されます。ハイパーパラメタの適切な調整は、モデルの予測精度や学習速度を左右する非常に重要な工程です。