相関係数
相関係数は2つの変数間にどれだけ強い直線的な関係があるかを示す統計指標です。AIや機械学習のデータの前処理や特徴量選択において、変数の関係性を把握するために不可欠な概念となります。
統計学のAI用語一覧（3ページ目）
282件統計学に関するAI用語を282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。
ガウスプロセス
ガウスプロセスは、無限次元の正規分布を用いて関数全体を確率的にモデル化する強力な非パラメトリック機械学習手法です。予測値の不確実性を同時に算出できる点が特徴で、ベイズ最適化やセンサーデータの補間などで広く活用されています。
母集団
母集団とは、調査や分析の対象となるデータ全体の集合のことです。機械学習やデータサイエンスにおいて、一部の抽出データから全体の性質を推論するために用いられる重要な基礎概念です。母集団を正しく定義し、適切に把握することは、偏りのないAIモデルの構築や予測精度の向上において極めて重要となります。
不確実性
不確実性とは、AIや機械学習モデルの予測や判断における「あいまいさ」や「自信のなさ」を示す指標です。ノイズによる「偶然的不確実性」と、知識不足による「認識的不確実性」に分類されます。医療診断や自動運転など、高い安全性が求められる分野で、モデルの判断の信頼性を評価し安全な意思決定を支援するために極めて重要です。
疑似乱数
疑似乱数とは、決定論的な計算式やアルゴリズムによって生成される、統計的にランダムに見える数値の並びです。AIや機械学習では、モデルの再現性を確保しつつ、重み初期化やデータのシャッフル、確率的なサンプリングなど多様な処理を正確に制御するために不可欠な技術となっています。
事後分布
事後分布とは、データが観測された後に更新された、パラメータに関する確率分布のことです。ベイズ推論の中核をなす概念であり、AIや機械学習においてモデルの予測の不確実性を評価する際に極めて重要な役割を果たします。
ベイズ統計
ベイズ統計とは、事前知識やこれまでのデータである事前確率を基に、新しいデータが得られるたびに確率を更新して確実性を高めていく統計手法です。AIや機械学習の分野において、不確実性のモデリングや予測に広く活用されています。
推定
推定とは、収集したデータや標本に基づいて、母集団の未知のパラメータや全体像を確率論的に予測・評価する統計学および機械学習の基本的な手法です。観察された限られたデータから背景にある真の確率分布や数値を導き出します。AI開発におけるモデルパラメータの設定やデータ分析において欠かせない概念です。
EMアルゴリズム
EMアルゴリズムは、観測できない潜在変数が含まれるデータに対して、最尤推定を行うための代表的な反復計算手法です。Eステップ（期待値ステップ）で潜在変数の条件付き確率を計算し、Mステップ（最大化ステップ）でパラメータを更新する処理を繰り返します。混合ガウスモデルなどのクラスタリングや不完全データの解析で広く利用されます。
非パラメトリック
非パラメトリックとは、母集団の確率分布の形や母数（パラメータ）を事前に仮定せず、データの数に応じて柔軟にモデルの複雑さが変わる手法の総称です。機械学習や統計学において、データの構造が未知である場合や複雑な関係性を高精度に捉えたい場合に広く活用されます。
正規分布
正規分布とは、平均値の周辺にデータが最も多く集まり、平均から離れるにつれて左右対称に少なくなっていく鐘形の確率分布です。ガウス分布とも呼ばれ、自然現象やAIモデルの誤差分析など統計学の様々な場面で基本となります。
ベイズ推論
ベイズ推論は、新たに観測されたデータに基づいて、ある事象の発生確率（事後確率）を順次更新していく統計的な手法です。不確実性を確率分布として扱えるため、機械学習の予測や意思決定において重要な役割を果たします。
SARIMAモデル
SARIMAモデルは、ARIMAモデルを拡張し、季節性を持つ時系列データの予測を高精度に行うための統計モデルです。トレンドと周期的な変動の両方を捉えることができるため、小売業の売上予測や電力需要の予測など、幅広い分野で活用されています。
結合確率分布
結合確率分布とは、2つ以上の確率変数が同時に特定の値をとる確率を表す数学的な仕組みです。AIや機械学習の分野において、複数のデータ間の関係性や同時発生の確率をモデル化するために欠かせない基礎理論となっています。
多変量解析
多変量解析とは、複数の変数（データ項目）を同時に扱い、それらの相互関係やパターンを明らかにする統計手法の総称です。予測や分類、次元削減など幅広い目的で利用され、現代のデータ分析や機械学習の基礎として重要な役割を果たしています。
相関関係
相関関係とは、2つの変数の一方が変化するときにもう一方も一定の規則性をもって変化する関係性のことです。AIやデータ分析において、データ間の隠れたつながりを見つけ出すための基本的な指標として広く活用されています。
母数
母数とは、統計学や機械学習において、分析対象となる母集団全体の特徴を表す定数です。例えば母集団の平均や分散などが該当します。日常会話ではデータ数やサンプルサイズの意味で誤用されることが多いですが、本来は確率分布の形を決定づける固有のパラメータを指し、データ分析や統計的推定の基礎となる重要概念です。
単回帰分析
単回帰分析とは、1つの説明変数から1つの目的変数を予測する最も基本的な統計手法および機械学習モデルです。データ間の関係性を直線で近似し、因果関係や傾向を分析する際によく用いられます。
重回帰分析
重回帰分析とは、1つの目的変数に対して複数の説明変数を用いて影響を分析し、数式で予測する統計手法です。機械学習の教師あり学習の基本としても広く利用され、要因の特定や未来の数値予測に欠かせないデータ分析の必須技術です。
ベイズ統計学
ベイズ統計学は、新たに得られたデータに基づいて、ある事象が起こる確率である事後確率を更新していく統計学の手法です。従来の頻度論的な統計学とは異なり、主観的な初期確率である事前確率を設定し、情報が得られるたびにそれを修正していく柔軟性が特徴です。機械学習の分野でも、予測や意思決定の基盤として広く応用されています。
ベイズの定理
ベイズの定理とは、ある事実を観測した後に、その前提となる原因の確率（事後確率）を更新するための確率論の基本定理です。不確実な状況下で、新しいデータ（尤度）を取り入れて予測を精度良く更新できる特徴があり、機械学習のスパム判定や医療診断など、現代のデータ分析やAI技術の根幹を支えています。
事後確率
事後確率とは、新しいデータや証拠が得られた後に、ある仮説や事象が正しいと判断される確率のことです。ベイズの定理に基づいて事前確率と尤度から算出されます。機械学習においては、入力データから特定のクラスやカテゴリに分類する際の判断基準や予測の不確実性を評価するために極めて重要な役割を果たします。
アイソトニック回帰
アイソトニック回帰は、単調性の制約を満たしながらデータの変化に追従するノンパラメトリックな回帰手法です。機械学習モデルが出力する確率値のキャリブレーションなどで広く活用されています。
傾向変動
傾向変動とは、時系列データにおいて長期的かつ持続的に現れる方向性や変化のことです。AIを用いた時系列予測や機械学習の分野において、データの背後にある根本的なトレンドを把握し、精度の高い分析や未来予測を行う上で重要な概念となります。