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。
機械学習のAI用語一覧
214件機械学習に関するAI用語を214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。
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。
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。
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。
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。
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。
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。
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。
次元削減
次元削減とは、データの重要な情報をできるだけ保持しながら、特徴量の数（次元）を減らすデータ前処理手法です。機械学習における計算負荷の軽減や過学習の防止、データの可視化を目的として用いられます。代表的な手法には主成分分析やt-SNEがあり、大量の変数を扱う現代のデータ分析において不可欠な技術です。
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。
モデル
AIにおける「モデル」とは、大量のデータセットを学習することでデータ内の規則性や特徴を捉え、新しいデータに対する予測や判断を行う計算処理の仕組みです。機械学習ではアルゴリズムを用いて訓練が行われ、調整されたパラメータによって推論を実行します。画像認識や文章生成など、多様なAI機能の基盤となる中心的な要素です。
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。
パラメータ
パラメータとは、AIや機械学習のモデルがデータから学習する過程で自動的に調整される内部の数値データです。主に重みとバイアスで構成され、入力データから適切な予測や判断を行うための計算式を形作ります。パラメータの数が増えるほどモデルの表現力が高まりますが、膨大な計算資源と広範な学習データが必要になります。
ハイパーパラメータ
ハイパーパラメータとは、機械学習モデルの訓練を開始する前に人間や外部アルゴリズムが事前に設定する調整用パラメータです。モデルの学習プロセスそのものや構造を制御する役割を持ち、学習率やバッチサイズ、エポック数などが代表例です。モデルがデータから自動的に獲得する通常のパラメータとは区別され、予測精度や学習速度を左右する極めて重要な要素です。
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。
検証データ
検証データとは、機械学習モデルの訓練中にモデルの性能を評価し、ハイパーパラメータの調整や過学習の検知を行うために使用されるデータセットです。訓練データとは独立して用意され、モデルの直接的な学習には使われません。最適なモデル構造や設定を選び出し、未知のデータに対する予測精度を高める重要な役割を担います。
オートエンコーダー
オートエンコーダーは、入力データを一度圧縮して元のデータを復元するように学習する教師なし学習のニューラルネットワークです。データを圧縮するエンコーダーと、復元するデコーダーから構成され、データの次元削減やノイズ除去、異常検知などに広く活用されています。非線形な特徴を抽出できる点が大きな特徴です。
教師
機械学習における「教師」とは、AIモデルに学習させるための正しい答え（正解ラベル）やそのデータを提供する役割・概念を指します。人間がデータに注釈をつけるアノテーション作業などを通じて準備され、AIが入力データと正解との誤差を計算して予測精度を向上させるための基準として機能します。
インスタンスセグメンテーション
インスタンスセグメンテーションは、画像内の個々の物体（インスタンス）をピクセル単位で識別して検出するコンピュータビジョンの技術です。同じカテゴリの物体であっても、それぞれを「個別の物体」として分離して認識できるのが特徴で、自動運転や医療画像解析など高度な画像理解が必要な分野で広く活用されています。
特化型AI
特化型AIとは、特定のタスクや限定された領域の処理に特化した人工知能のことです。チェスや画像認識、音声認識など個別の分野で高い性能を発揮しますが、あらかじめプログラムされた範囲外の応用はできません。現在の実社会で普及しているAIはすべてこのタイプに分類されます。
隠れ層
隠れ層（中間層）は、ニューラルネットワークにおいて入力層と出力層の間に配置される層のことです。外部から直接見えない内部で、入力されたデータから複雑なパターンや特徴量を段階的に抽出・変換する役割を持ちます。この層を何重にも重ねることでディープラーニングが実現可能となり、高度な認識タスクに対応します。
シグモイド関数
シグモイド関数とは、任意の入力値を0から1の範囲の実数に変換するS字型の数学的関数です。機械学習や深層学習において二値分類の予測確率の算出やニューラルネットワークの活性化関数として広く活用されてきました。
非線形性
非線形性とは、入力と出力の関係が単純な直線（比例関係）にならない性質のことです。AIや機械学習の分野、特にディープラーニングでは、この非線形性が極めて重要な役割を果たします。複雑な現実世界のデータパターンや相互作用をモデルが学習し、高度な予測や識別を行うためには、ニューラルネットワークに非線形性を取り入れることが不可欠です。
隠れマルコフモデル
隠れマルコフモデル（HMM）は、観測できない隠れた状態の推移と、その状態から確率的に発生する観測データの関係をモデル化した統計的確率モデルです。時系列データやシーケンスデータの解析に適しており、音声認識や自然言語処理などの分野で長年にわたり幅広く活用されています。