機械学習では、大量でデータを分析するにあたって色々なアルゴリズムが存在します。
AIでそもそも何ができるのかと言うことを知るための手助けになりますので、一度整理をしてみたいと思います。
まず、機械学習における主な学習方法を書くと以下のようになります。
回帰
機械学習における教師あり学習における代表的な統計手法です。
たくさんのデータをプロットしたときに、その分布に対して関係性を表す関数を見つける手法です。
分類
分析したいデータや属しているカテゴリーや種類を判定する手法です。
クラスタリング
教師なし学習における代表的なもので、たくさんのものの中から似たもの同士を集めてグループ化する手法です。
以下からは強化学習です。
Q学習
価値を最大化するための行動価値を算出するQ関数を利用した手法です。
バンディッドアルゴリズム
途中まで得られた情報を「活用」しながら、「探索」も同時に継続する手法です。
こちらの詳細は、別な機会にお話をしていきます。
このように、代表的な手法の中で使われているアルゴリズムは古典的なものから進化したものまでがあります。これらアルゴリズムの原理まで知る必要はありませんが、それぞれの特性に応じて、AIを活用したい用途に応じて選択をしていくことが重要です。
allAi.jpでは、皆様のお役に立てる情報を発ししていきたいと思いますので、どうぞよろしくお願いいたします。