マルコフ連鎖
マルコフ連鎖は、未来の状態が現在の状態のみに依存し、過去の経緯に左右されない確率モデルです。文章生成や強化学習などのAI技術の基礎として広く応用されています。
機械学習のAI用語一覧（7ページ目）
341件機械学習に関するAI用語を341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7ページ目です。
確率過程
確率過程とは、時間的変化とともに確率的に状態が変動する現象を数学的にモデル化したものです。人工知能や機械学習において、時系列データの予測や不確実性を伴う環境のモデリングに不可欠な基礎理論として広く活用されています。
メタデータ
メタデータとは、あるデータそのものではなく、そのデータに関する属性や付加情報を記述したデータのことを指します。AIや機械学習の分野においては、データセットの品質管理やモデルの学習効率を向上させるために極めて重要な役割を果たしています。
データ沼
データ沼とは、組織内に散らばる大量のデータが整理されず、品質や構造も不明なまま放置され、AI開発や分析に活用できなくなった状態を指す言葉です。データの収集だけが進み、管理が追いつかないことで発生します。
非構造化データ
非構造化データとは、行と列で整理された表形式のデータベースにそのまま格納できない、テキスト、画像、音声、動画などの情報の総称です。AIや自然言語処理の進化に伴い、現代のビッグデータ解析においてその重要性が急速に高まっています。
アンサンブル学習
アンサンブル学習とは、複数の機械学習モデルを組み合わせて、単一のモデルよりも高精度で安定した予測や分類を行う手法です。バギングやブースティングなどの代表的な手法があり、Kaggleなどのコンペティションでも広く活用されています。
勾配ブースティング
勾配ブースティングは、複数の決定木を段階的に組み合わせることで高い予測精度を実現する機械学習アルゴリズムです。前のモデルの誤差を次のモデルが学習して補正していく仕組みを持ち、表データを使った分類や回帰のコンペティションなどで広く活用されています。
ランダムフォレスト
ランダムフォレストは、複数の決定木を組み合わせることで高い予測精度と安定性を実現する機械学習アルゴリズムです。過学習を起こしにくく、分類や回帰の問題で広く活用されています。
説明変数
説明変数とは、統計学や機械学習において、予測や分析の対象となる結果（目的変数）に影響を与える「要因」となる変数のことです。機械学習では「特徴量」とも呼ばれ、予測モデルの入力データとして使用されます。例えば、住宅価格の予測における「築年数」や「広さ」がこれに該当し、モデルの予測精度を大きく左右する重要な要素です。
回帰モデル
回帰モデルとは、数値の予測やデータの傾向分析を行うために用いられる、入力変数と連続値の出力変数の関係性を数式で表した機械学習や統計学のモデルです。過去のデータに基づいて、気温から売上を予測したり、広さから住宅価格を予測したりする際に活用され、データ分析や意思決定に深く貢献しています。
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。
ベクトル空間モデル
ベクトル空間モデルとは、文書や単語などのデータを数値の配列であるベクトルとして表現し、幾何学的な空間上で類似度を計算する数学的モデルです。情報検索や自然言語処理の分野で、文書同士の関連性を定量的に評価するために広く利用されています。
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。
事前確率
事前確率とは、新しいデータや証拠（観測データ）を得る前に、ある事象が起こる確率や仮説が正しいと信じられる確率のことです。ベイズ統計学における基本概念の一つであり、過去の経験や主観的な知識に基づいて設定されます。機械学習の分類問題や、ベイジアンフィルタによるスパム判定など、様々なAI技術の基礎として活用されています。
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。
単語埋め込み
単語埋め込みとは、自然言語処理において単語の意味や文脈上の類似性を高次元のベクトル（数値列）として表現する技術です。単語同士の意味的な関係を数学的に計算可能にし、検索エンジン、機械翻訳、感情分析など多様なAIアプリケーションの基礎として活用されています。
Word2Vec
Word2Vecは、大量のテキストデータから単語を多次元のベクトルに変換する機械学習の手法です。単語の持つ意味や文脈上の役割を数値化（分散表現）することで、単語同士の意味の近さを計算したり、単語の足し算・引き算といった演算を行ったりすることを可能にしました。現代の自然言語処理における基礎技術の一つです。
バッチ正規化
バッチ正規化は、ディープラーニングにおいて各層の入力をミニバッチごとに平均0、分散1に正規化する技術です。内部共変量シフトを抑えることで、学習速度の劇的な向上や初期値への依存性低減、勾配消失の防止といったメリットをもたらします。CNNをはじめとする多くのニューラルネットワークモデルで標準的に採用されています。
Lasso回帰
Lasso回帰（ラッソ回帰）は、過学習を防ぐためにL1正則化を導入した線形回帰の手法です。不要な特徴量の係数を完全にゼロにする特徴があり、自動的に変数選択を行うことができます。データが多く特徴量が過剰な場合のモデルの簡素化や、予測精度の向上、解釈性の向上に広く用いられています。
特徴量選択
特徴量選択とは、機械学習モデルの構築において、予測や分類に最も寄与する重要なデータ項目（特徴量）を絞り込むデータ前処理のプロセスです。不要なノイズや重複するデータを除外することで、学習の高速化、過学習の防止、およびモデルの解釈性の向上を実現できます。主要な手法にフィルター法やラッパー法、埋め込み法があります。
事後学習
事後学習とは、基盤モデルとなるAIの事前学習が完了した後に、特定の用途への適応や安全性・対話性能の向上を目的として行われる追加の学習プロセスのことです。指示チューニングや人間からのフィードバックによる強化学習（RLHF）などが含まれ、ユーザーの意図に沿った安全で有用な応答を出力できるようにモデルを調整します。
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。
エポック数
エポック数とは、機械学習やディープラーニングのモデル訓練において、訓練データ全体を完全に1回学習し終える単位を指す数値です。全体のデータセットを何周させてパラメーターを最適化するかを表します。適切に設定することで予測精度の向上が期待できますが、大きすぎると過学習を招くため慎重な調整が求められます。
学習率
学習率とは、機械学習やディープラーニングのモデルを訓練する際に、パラメータを一度にどれだけ更新するかを調整する重要なハイパーパラメーターです。学習率が大きすぎると最適な解を通り過ぎてしまい学習が収束せず、小さすぎるとモデルの学習に非常に時間がかかったり局所解にとらわれたりします。