全結合層
全結合層は、ニューラルネットワークにおいて前の層のすべてのニューロンと次の層のすべてのニューロンが結合している基本構造です。データの最終的な分類や回帰を行う重要な役割を持ち、多くの深層学習モデルの出力段で広く使われています。
機械学習のAI用語一覧
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。
特徴量空間
特徴量空間とは、AIや機械学習においてデータのもつ複数の特徴量を軸として構成される多次元の数学的な空間です。各データ点がこの空間上の座標として配置されることで、機械学習モデルがデータのパターンや類似性を数値的に認識し、分類や回帰などの処理を行うための基盤となります。
重み行列
重み行列とは、ニューラルネットワークにおいて入力データに対するパラメータ（重み）を2次元の格子状（行列）にまとめた数値データです。層と層の接続強度を数値として保持し、入力値と行列の積を計算することで、特徴量の抽出やデータの変換を行います。学習の過程で最適化され、モデルの予測精度を決定づける重要な要素です。
異常検知
異常検知とは、通常のパターンから外れたデータや振る舞いを自動的に検出するAIの技術です。製造業の不良品検査やサイバーセキュリティなど、多様な分野で活用されています。
再学習
再学習とは、すでに構築・学習済みの機械学習モデルに対し、新しいデータを追加して再度トレーニングを行い、モデルの性能を維持・向上させるプロセスです。データや環境の変化に適応させるためにAIシステムの運用において不可欠な手法となっています。
局所的極小解
局所的極小解とは、ニューラルネットワークなどの機械学習の学習過程において、ある狭い領域の中で最も誤差が小さくなる点のことを指します。全体の最適解である大域的極小解とは異なり、モデルの性能向上を妨げる要因の一つとして最適化問題で議論されます。
正解ラベル
正解ラベルとは、機械学習の教師あり学習において、AIモデルに学習させたり予測精度を評価したりするための正解データのことです。人間が手動やツールを使ってデータ付与することが多く、モデルの性能を左右する極めて重要な役割を持ちます。
特徴量
特徴量とは、機械学習モデルがデータを理解・学習・予測するために、入力データから抽出・数値化された特徴や属性のことです。画像の色や形、テキストの単語出現頻度、顧客の年齢や購入履歴などが該当します。AIの予測精度向上には、適切な特徴量の選定や特徴量エンジニアリングが不可欠です。
セントロイド
セントロイドとは、データ群の重心（幾何学的中心）を表す仮想的な代表点です。機械学習の教師なし学習において、k-means法をはじめとするクラスタリング手法で広く利用されます。多次元のベクトル空間における各データ点の平均値を計算して求められ、クラスタ全体の性質を要約・把握する基準として重要な役割を果たします。
ディープラーニング
ディープラーニング（深層学習）とは、人間の脳の神経回路網を模したニューラルネットワークを多層に重ねることで、大量のデータから自動的に複雑な特徴やパターンを学習する機械学習の手法です。画像認識や自然言語処理などの分野で飛躍的な精度向上をもたらし、近年の人工知能技術の急速な発展を支える中核的な技術となっています。
早期終了
早期終了（Early Stopping）とは、機械学習や深層学習モデルの訓練において、過学習を防ぐために学習を最適なタイミングで途中終了させる手法です。訓練が進むにつれて検証データにおける損失関数の値が悪化し始めた段階で学習を自動的に停止させます。過剰な計算時間を削減しつつ、未知のデータに対する汎化性能を最大化できる重要な正則化技術の一つです。
マスク
マスクとは、AIや機械学習においてデータの一部を意図的に隠したり、計算から除外したりする処理のことです。自然言語処理のTransformerやBERTにおける事前学習で特定単語を隠して予測させるマスク言語モデルや、画像認識の画像セグメンテーションで特定領域を抽出する処理、ニューラルネットワークの計算で未来の情報を参照させないために用いられます。
偶然的不確実性
偶然的不確実性とは、データ自体に含まれる本質的な揺らぎや測定ノイズに起因する、モデルがどれだけ学習しても削減できない不確実性のことです。AIの予測精度向上やリスク管理において、モデルの限界を正しく評価するために重要な概念となっています。
ディープフェイク
ディープフェイクとは、ディープラーニング（深層学習）技術を用いて、実在する人物の顔や声を合成・改変して作られた偽の画像、動画、音声コンテンツのことです。映画の特殊効果やエンターテインメント領域で活用される一方で、なりすまし犯罪や誤情報の拡散など社会的なリスクが懸念されており、検知技術の向上や法的な対策が進められています。
汎用性
AIにおける汎用性とは、特定の訓練データや限定された環境だけでなく、未知のデータや多様な状況に対しても適切に対応できる能力を指します。機械学習モデルが過学習を起こさず、実世界の様々なタスクに応用できるかを示す重要な指標です。
報酬関数
報酬関数とは、強化学習においてAIのエージェントが取るべき行動の良し悪しを数値化して評価する関数のことです。エージェントはこの報酬関数が与える数値の総和を最大化するように試行錯誤を繰り返し、最適な方策を自律的に学習します。
マルチエージェント
マルチエージェントとは、自律性を持つ複数のAIエージェントが同一の環境内で相互に作用し、協力や競合を通じて複雑なタスクを解決するシステム概念です。単一システムでは困難な問題の分散処理や社会シミュレーションなどに活用されます。
過学習
過学習とは、AIモデルが訓練データに過剰に適合してしまい、新しい未知のデータに対する予測精度である汎化性能が低下する現象のことです。学習用データの特徴やノイズを過度に学習してルールを複雑化しすぎることで発生します。モデルが実用的な予測を行うための柔軟性を失った状態であり、機械学習における主要な課題の一つです。
訓練データ
訓練データとは、機械学習モデルがパターンや規則性を学習するために使用されるデータ群です。AIの精度や性能を左右する基礎となり、適切な品質と量の確保が不可欠です。
閾値
閾値（いきち／しきいち）とは、ある状態や判定を切り替える境目となる基準値のことです。AIや機械学習では、モデルが出力した確率値をもとに二値分類の判定を下す際や、ニューロンの発火を制御する活性化関数などで重要な役割を果たします。
損失関数
損失関数とは、AIの予測値と正解データのズレを数値化する数学的な関数のことです。この値が小さいほどAIの予測精度が高いと判断され、モデルのパラメータ調整や最適化を行うための基準として機械学習の学習プロセスにおいて不可欠な役割を果たします。
予測分析
予測分析とは、過去のデータと統計的手法や機械学習を組み合わせ、将来の出来事やトレンドを予測するデータ分析手法です。ビジネスや医療、製造など多様な分野で活用され、直感に頼らないデータ駆動型の意思決定やリスク管理、リソースの最適化に大きく貢献します。
バイアス
バイアスとは、AIや機械学習において予測値と正解値の間に生じる系統的なずれ、またはデータの偏りによって生じる予測の不公平性のことです。統計学的にはモデルの表現力不足による誤差を指し、AI倫理では人間社会の偏見を反映した差別的な判定を指します。公平なAIを構築するには、学習データの選定から評価まで各段階でバイアスを監視・排除する対策が重要です。
ステップ
機械学習のモデル訓練において、データの一部（ミニバッチ）を用いてパラメータを1回更新する最小の処理単位、あるいは画像生成AIなどの拡散モデルにおける段階的なノイズ除去プロセスの1回分のステップを指します。文脈により学習時のイテレーション（反復）や、生成時のサンプリング段階を意味し、AIの性能や生成品質を制御する重要な概念です。