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。
機械学習のAI用語一覧（8ページ目）
344件機械学習に関するAI用語を344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8ページ目です。
交差検証
交差検証（クロスバリデーション）とは、機械学習モデルの汎化性能を正確に評価するための手法です。手元にあるデータを複数のグループに分割し、訓練用データとテスト用データを入れ替えながら評価を繰り返します。特定データへの偏りを防ぎ、未知のデータに対する予測精度（汎化性能）を客観的に測定できるため、ハイパーパラメータ自動調整やモデル選択で必須の評価手法です。
データリーク
データリークとは、機械学習においてモデルの訓練時に、本来予測段階では利用できないはずの情報が訓練データに混入してしまう現象のことです。これにより、評価時には非常に高い精度を示すものの、実際の運用（本番環境）では予測精度が著しく低下するという問題が発生します。モデルの信頼性を損なう代表的な罠の一つです。
アライメント
AIアライメントとは、人工知能の目的や行動を人間の意図、価値観、および倫理的な基準に一致させる技術やプロセスのことです。大型言語モデルなどのAIが誤った情報や有害なコンテンツを出力しないように制御し、人間の安全と利益に沿って安全に機能させるために重要なAI倫理の研究分野となっています。
ベルマン方程式
ベルマン方程式とは、強化学習において現在の状態の価値と、次に遷移する状態の価値との関係性を表す基本方程式です。リチャード・ベルマンによって提唱された動的計画法の基礎であり、将来得られる累積報酬（価値関数）を、現時点の即時報酬と次の状態の割引価値に分解して再帰的に定義します。Q学習などのアルゴリズムの根底を支える重要な理論です。
行動価値関数
行動価値関数とは、強化学習において特定の状態である行動を選択した際、将来得られる報酬の期待値を表す関数です。Q値とも呼ばれ、AIが最適な方策を見つけるための中心的な役割を果たします。
方策
方策とは、強化学習においてエージェントが特定の状態に直面した際、次にどのような行動を選択すべきかを決定するルールのことです。環境から得られる累積の報酬を最大化するために、学習を通じて最適化されます。ある状態に対して決定的な行動を返すものや、行動の確率分布を返すものがあり、自動運転やゲームAIなどの意思決定プロセスにおいて中核的な役割を担っています。
機械学習フレームワーク
機械学習やディープラーニングの開発を効率化するためのソフトウェアプラットフォームです。複雑な数式やアルゴリズムを自分で一から実装することなく、高度なモデルを迅速に構築・訓練・デプロイできるため、AI開発において不可欠な基盤となっています。
自律性
AIの自律性とは、人間からの詳細な常時指示なしに、システム自身が状況を判断して目標達成に向けた行動を選択・実行する性質を指します。機械学習や強化学習の発展に伴い、ロボット制御や自動運転、AIエージェントなどで重要な役割を担っています。
データ可視化
データ可視化とは、数値やテキストなどの複雑なデータをグラフやチャート、マップなどの視覚的な表現に変換し、人間が直感的に理解できるようにする技術です。AIや機械学習の分野でも、モデルの性能評価やデータの傾向を把握するために不可欠な手法となっています。
前処理
前処理とは、機械学習モデルの精度を向上させるために、収集した生データをクレンジングや数値化などして扱いやすい状態に整える重要なプロセスです。ノイズの除去や欠損値の補完を行い、データの質を高めることでAIの学習効率を最大化します。
確率論
確率論とは、偶然性や不確実性を伴う現象を数学的に扱う理論です。AIや機械学習の基盤となる学問であり、データの不確かさを定量化し、予測や意思決定を行うために欠かせません。ニューラルネットワークの学習や生成AIによるデータの生成プロセスなど、現代の高度な人工知能技術を根底から支えています。
L1正則化
L1正則化とは、機械学習モデルの過学習を防ぐために、モデルの重みの絶対値の和をペナルティとして損失関数に加える手法です。不要な特徴量の重みを完全にゼロにする性質を持つため、重要な変数のみを残す特徴量選択の効果も得られます。モデルの軽量化や解釈性の向上を図る場面で広く活用されています。
t-SNE
t-SNE（t分布型確率的近傍埋め込み）とは、高次元データを2次元や3次元の低次元空間に圧縮して可視化するための代表的な次元削減アルゴリズムです。高次元空間におけるデータ点同士の局所的な類似度（近接性）を確率的に捉え、低次元空間でもその局所構造を極力維持するように配置します。主にデータ可視化の用途で機械学習やデータ分析に利用されます。
k-means法
k-means法とは、データをあらかじめ指定したk個のグループに分類する代表的な教師なし学習アルゴリズムです。データの類似性に基づいて自動でグループ分けを行うため、顧客セグメンテーションや画像圧縮などに幅広く活用されています。
勾配消失問題
勾配消失問題とは、ディープラーニングにおいて層を深くした際、ネットワークの逆誤差伝播法で計算される勾配が入力層に近づくにつれて小さくなり、学習が進まなくなってしまう現象です。活性化関数としてシグモイド関数などを使用すると発生しやすく、パラメータの更新が停滞することでモデルの精度向上を妨げる大きな課題となります。
確率分布
確率分布とは、確率変数を取り得る値とその値を取る確率の対応関係を示したものです。AIや機械学習において、データの傾向を数理的にモデル化し、予測や生成を行うための基礎となる極めて重要な概念です。
未学習
未学習とは、AIモデルやニューラルネットワークがデータによるトレーニングを一度も受けておらず、重みやパラメータが初期化されたままの状態を指します。学習データの特徴や規則性を獲得していないため、適切な予測や生成を行うことはできません。機械学習の出発点であり、事前学習を行う前提となる状態です。
強化学習
強化学習とは、AIが試行錯誤を通じて最適な行動パターンを学習する機械学習の手法です。環境内で「エージェント」が行動を選択し、その結果に応じて得られる「報酬」を最大化するように学習が進みます。正解データが事前に与えられなくても自発的に成果を高める行動を学べるため、ゲーム攻略や自動運転、ロボット制御などの分野で活用されています。
時系列予測
時系列予測とは、時間の経過に沿って記録された過去のデータ（時系列データ）を分析し、未来の値や傾向を予測する技術です。売上予測、需要予測、株価変動、天気予報などの幅広い分野で活用されています。従来の統計的手法に加え、近年ではディープラーニングや機械学習を用いた高精度な予測モデルが数多く開発され、実業務での意思決定に役立てられています。
固有表現抽出
固有表現抽出とは、テキストデータから人名や組織名、地名などの特定の意味を持つ固有名詞を自動的に検出して分類する自然言語処理の技術です。AIによる情報抽出や文書の構造化において、検索精度や要約の質を高める基盤技術として広く活用されています。
リカレントニューラルネットワーク
リカレントニューラルネットワーク（RNN）は、内部にループ構造を持ち、時系列データや自然言語などの可変長の連続データを処理できる深層学習モデルです。過去の情報を記憶しながら順次処理を行えるため、音声認識や機械翻訳などに広く活用されています。
時系列データ
時系列データとは、時間の経過に伴って順序よく観測・記録されたデータのことです。株価の変動、気温の変化、工場のセンサー情報など、時間の順序自体が重要な意味を持つ特徴があります。近年では、ディープラーニングなどの機械学習技術を用いて、このデータから未来の数値を予測したり、異常な変化を素早く検知したりする技術が広く活用されています。
リアルタイムデータ
リアルタイムデータとは、情報が生成された直後にほぼ遅延なく収集・処理されるデータのことです。AIモデルの迅速な意思決定や、時系列データを用いたストリーミング処理において不可欠な要素となっています。