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。
機械学習のAI用語一覧（4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4ページ目です。
推論
訓練済みのAIモデルに対して、新しいデータを入力することで予測や分類、テキスト生成などの判定結果を出力するプロセスのことです。開発フェーズである「学習」によって構築されたパターンやパラメータ（重み）を用いて、実世界の実データから知見や予測結果を導き出す役割を担っており、AIが実用的に機能する根幹の処理にあたります。
分散
分散とは、データの値が平均値からどれくらい散らばっているかを表す統計指標です。機械学習では、データのばらつき度合いやモデルの複雑さを評価するために不可欠な概念です。分散が大きいモデルは訓練データに過剰に適合しやすく過学習を引き起こす原因となるため、モデルの予測精度や汎用性を向上させる設計で非常に重要な指標となります。
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。
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。
局所的極大解
局所的極大解とは、数理最適化や機械学習において、ある特定の狭い範囲の中で関数の値が最大（スコアが最大）となる状態のことです。全体における真の最大値（大域的極大解）とは限らず、探索の途中でこの状態に陥ると、より優れた最適解に到達できなくなるという課題が存在します。
鞍点
鞍点とは、多次元の損失関数においてある方向からは極小値に見え、別の方向からは極大値に見える点のことです。勾配降下法などの最適化アルゴリズムにおいて、勾配がゼロになるため学習が停滞する原因となります。特に高次元のパラメーターを持つディープラーニングの学習において、局所的極小解よりも頻繁に発生し最適化の阻害要因となるため重要な概念です。
ランダムサーチ
ランダムサーチは、機械学習モデルのハイパーパラメータ調整手法の一つです。あらかじめ設定した探索範囲の中からランダムに値の組み合わせを選び出し、最も性能が高かったものを採用します。シンプルで実装しやすく、計算資源に応じた効率的な探索が可能です。
次元の呪い
次元の呪いとは、扱うデータの次元数（特徴量の数）が増えるにつれて、必要なデータ量が指数関数的に増加し、機械学習モデルの分析や予測の精度が低下する現象です。空間が広大になることでデータ点が疎になり、距離に基づくアルゴリズムの信頼性が損なわれるため、次元削減などの対処法が必要になります。
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。
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。
転移学習
転移学習とは、ある領域で学習した知識やモデルを別の関連する領域の学習に再利用する技術です。ゼロからモデルを構築する場合に比べて必要なデータ量や計算コストを大幅に削減でき、データが少ない課題でも高精度な予測を実現します。画像認識や自然言語処理などのディープラーニング領域で広く活用されています。
重み
重みとは、人工知能や機械学習モデルにおいて、入力データの特徴が予測結果に与える影響の大きさを表す数値（パラメータ）です。学習の過程でデータをもとに調整され、AIの精度を決定づける重要な要素となります。重みの値が大きくなるほど、その入力情報が最終判断に及ぼす影響が強くなります。
ベイズ最適化
ベイズ最適化とは、評価コストが高い未知の関数を最小限の試行回数で効率的に最適化する手法です。ガウス過程などの確率モデルで全体の傾向を予測し、獲得関数を用いて次に評価すべき点を決定します。機械学習モデルのハイパーパラメータ調整や実験計画の自動化など、試行に時間や費用がかかる分野で広く活用されています。
目的関数
目的関数とは、機械学習や最適化問題において、モデルの予測精度やパフォーマンスを評価し、最適化の目標を数式として表した関数です。学習処理ではこの関数の値を最小化または最大化するようにパラメータを調整します。機械学習のタスクに応じて損失関数や評価関数、報酬関数などが使い分けられ、モデルの性能を左右する重要な役割を果たします。
GPU
GPUとは、画像処理や並列計算に特化した演算装置です。数千個のコアによる高度な並列処理能力を持ち、膨大な行列演算が必要とされる深層学習のモデル学習や推論の処理速度を劇的に向上させる基幹ハードウェアとして広く活用されています。
ニューロン
ニューロンとは、脳の神経細胞を模した人工知能の基本単位です。複数の入力信号を受け取り、一定の条件を満たした場合にのみ次の信号を出力する仕組みを持ち、人工ニューラルネットワークの基礎として多くのAI技術に応用されています。
クラスタリング
クラスタリングとは、事前のアタリや正解ラベルがないデータ群の中から、特徴が似ているデータを自動的にグループ分けする機械学習の手法です。データ同士の類似度や距離を基に「クラスタ」と呼ばれる群を形成します。顧客データのグループ分けや文書分類、画像セグメンテーションなどに広く活用されています。
平滑化
平滑化とは、データや信号に含まれる微小な変動やノイズを取り除き、全体的な傾向や滑らかな変化を抽出する処理です。AIや機械学習の分野では、過学習の防止や画像処理、音声認識などにおいて、データの品質を高めるための重要な前処理手法として広く活用されています。
ドメイン
AIや機械学習におけるドメインとは、特定の専門分野や問題領域を指します。医療や金融などの領域ごとにデータの特徴や求められる精度が異なるため、モデルの設計や適用の際には重要な考慮要素となります。
アルゴリズムバイアス
アルゴリズムバイアスとは、AIシステムや機械学習モデルが、学習データの偏りや設計上の問題により、特定のグループに対して不公正で差別的な判断や予測を出力してしまう現象を指します。AI倫理の観点から社会的影響が大きく、公正性の確保が重要な課題となっています。
予測値
予測値とは、機械学習モデルや統計モデルが、入力されたデータをもとに将来の状態や未知の結果を推論して出力した数値のことです。AIの性能評価や意思決定において中心的な役割を果たし、実際の値との比較によってモデルの精度を測定するために使用されます。
過剰検知
過剰検知とは、AIや機械学習を用いた検知システムにおいて、本来は検出・対処すべき対象ではない正常なデータや無害なパターンを、誤って「異常」や「検知対象」として判定してしまう現象のことです。安全性を重視して検知感度を高く設定しすぎることなどで発生し、運用現場での確認コスト増大を引き起こす要因となります。