古典機械学習

人工知能の概念 (COMP5511) 第6講へようこそ。このセッションは、理論的基礎から実践的なアルゴリズム実装への架け橋となります。現代のAIはディープラーニングを強調することが多いですが、古典機械学習はデータ分析の基盤であり続けます。これらのアルゴリズムは高い解釈可能性と計算効率を提供するため、構造化データや業界標準の分析に適しています。

1. 教師あり学習

このパラダイムでは、ラベル付きデータセットを用いてモデルをトレーニングし、アルゴリズムが入力特徴量と特定のターゲット出力の関係を学習します。これにより、モデルは新しい未知のデータに対して正確な結果を予測することができます。

• 決定木：データを分割して分類または数値的決定に達するモデル。
• サポートベクターマシン (SVM)：異なるデータクラス間のマージンを最大化するために最適な超平面を見つけるアルゴリズム。

2. 教師なし学習

これらのアルゴリズムはラベルなしデータを分析し、出力が何であるかについての事前のガイダンスなしに、隠されたパターン、構造、またはグループを発見します。主な手法には以下が含まれます。

• K-meansクラスタリング：特徴量の類似性に基づいて、データポイントをK個の異なるグループにグループ化します。
• 主成分分析 (PCA)：データの本質的な分散を維持しながら複雑なデータを簡略化するために使用される次元削減技術です。