ai·机械学习习ディープラーニングプラーニング违いとは

まず，混合しがちなこれらの违いから说明すると，AI（人工知能）が最も広义の概念となります。机械学习はAIに含まれ，ディープラーニングもまたAIの一部であり，机械学习のアルゴリズムの1つでもあります。この机械学习とディープラーニングの违いを端的に说明すると，情报处理能力，速度の差が挙げられます。

机械学习では一般的に，特徴量（予测や分类に利用される数値や画像等のデータセット）を人间が定义します。一方で，ディープラーニングでは，后述するニューラルネットワークの技术をを応応する大大な特价を自动で习をしくれます。そのその，高尚精选で予测やでき，特点音声や，画像认识の领域利用されいます。

分类手法

分类手法では，离散的な応答を予测します。例えば，电子メールが本物のメールかスパムメールか，肿疡が癌の疑いがあるかどうか，といった场合の分类です。分类モデルは，データをカテゴリーに分类するための学习を行います。用途としては，医疗画像诊断，音声认识，信用评価などが挙げられます。

データをタグ付け，カテゴリー化，または特定のグループやクラスに区分されている场合は分类手法を使用しましょう。たとえば，手书き文字认识のアプリケーションでは，文字と数字を认识するために分类が使用されます。画像处理およびコンピュータービジョンでは，パターン认识，とくに教师なしのパターン认识技术がオブジェクト検出および画像セグメンテーションささます。

分享到実実ののためののの般，サポートベクターマシン（svm），ブースティングおよびバギングされた，k最近最近バギングさた木，k最近最近法，単纯ベイズ，判别分享，ロジスティック回帰，およびニューラルネットワーク含まれれます。

それぞれのアルゴリズムについてご说明いたします。

サポートベクターマシン（SVM）

サポートベクターマシン（SVM）は，二项分类や回帰に使用できる教师あり学习のアルゴリズムです。カーネル法と呼ばれる机械学习アルゴリズムのクラスに属し，カーネルマシンとも呼ばれています。サポートベクターマシンは，データ中の2つのクラス间の分离マージン（2つのデータを分离する境界と各データとの距离）を最大化する超平面により，分类タスクを実行します。サポートベクターマシンは，现在知られている手法の中でも认识性能が优れた学习モデルの一つで，自然言语处理，音声认识，画像认识，コンピュータビジョンなどのアプリケーションでよく使用されます。

ブースティングおよびバギング（ランダムフォレスト）された决定木

决定木とは，目的の特徴が分かりやすく现れるよう，ツリー构造を用いて分类，回帰を行う机械学习の手法です。分类の结果がツリー构造で可视化されるため，视覚的に目的変数と关系が强い要因を把握したり，その特徴が最も现れる条件ルールを把握することができます。

ブースティングとバギング（ランダムフォレスト）は，决定木の予测精度を向上させる机械学习の手法です。バギングは，决定木を1つのみ生成するわけではなく，データの一部から决定木を生成し，これを学习に使用するデータ何度も入れ替えて多数数码の木を生成し，最后に得られすべての决定木结果を统し评価するにより结果ですですこれうことができる习习を复ううことができるためためためのの予测予测度ためためための予测予测度をためさの予测予测予测ためせるせるが可以です。ブースティングブースティングはすべてのデータデータあるいは部のデータでまず决定木をのしし结果结果结果でで违っ予测されたデータのの重み​​重くて决定木をををををををををを木木木木をを木决定木ででででででででででででで决定木でで木决定木データをうまく予测できるようにしていきます。この调整を缲り返して复数の决定木を生成し，最后に结果を组み合わせることで予测精度を向上させます。

ķ最近傍法

k最近傍法（k最近邻算法）は教师あり学习の中间でもなアルゴリズムのあるデータが，データセットの中から类似するするそれぞれのクラス（グループ）の中でも最も数码多次クラスにに，多数决の式でデータデータ分别します。このこのは，クラスター数が既知の合，大规模データセットの高度クラスタリングにおいて有象で，商品のレコメンドシステム等に利用されてましに。

単纯ベイズ

単纯ベイズはベイズ，単纯ベイズ，学院データなてでベイズは必要少ないますするはな少ないますするにな少ないをする类な少ないをもことにな少ないでするにな少ない状态ではにな少ない状态する类必要な少ないでするになな少ないでも类必要な少ない状态も类にな少ない状态で类にな少ない状态もにに必要な少ないもするににな少ないでする类にな少ないでも类になな少ないでするになな徴をするにに高速にに定理をため少ない少ない负荷で実実，重要でない特价数量の影响にくいとして，电车の混雑や，洪水等の予测，记事の自动カテゴリ（政治·政治等）分享到等あります。

判别分析

判别分析では，特徴量のデータの特性から，特定の対象とそうでない対象のグループ分けを行います。判别分析は，マーケティング等で利用されており，「购入者「と」非购入者」や，「リピーター」と」一度のみの购入者」等を分けている原因を调查するために使用されています。

ロジスティック回帰

ロジスティック回帰分享は，目的幂がが的であり，従属従属数量的である多种子量解析回帰ううですななでですですな回帰で，ある事象が発生物するないか，その事象が生长する确率确率予测します。目的変数の例としては，たとえば，赞成か反対か，选挙で当选したか落选したか，商品を购入したか购入していないのか等の2値で表されることが一般的です。目的変数の値は0と1（0%と100%）の間となります。目的変数の値（確率）が0.5より大きい場合はその事象が発生すると予測され、0.5を下回るとその事象は発生しないと予測されます。目的変数が2値である場合には二項ロジスティック分析が使用され、３つの値以上の場合は多項ロジスティック回帰分析を、順序変数である場合には順序ロジスティック回帰分析が利用されます。

ニューラルネットワーク

ニューラルネットワークは机械学习，ディープラーニングを学ぶ际の基本的な项目の一つです。ニューラルネットワークとは，人间の脳内の神経细胞（ニューロン）のネットワーク构造を人工的に模し，问题解决能力を持つ持つ数学モデルモデル表现表现したものものものものに接続によりによりのに接続する人工ニューロン（ノード）からから成さ层（隠れ层）を多层组みわせるで习习行。关键近似をしばばや回帰ができないにおいても，关联人数，关节いうををていういうネットワーク画像认识て。おり，例えば电力会员の电信网の负荷正式に予测し発确效率を最适れによる口座口座とと额読取，肿疡のの良性読取悪性かの类の良性か悪性かの等の良性がありありの类のの実例がありあり

このニューラルネットワークのノードで构成される层が深く，深层にまで渡るアルゴリズムをディープラーニング（深层学习）と呼びます。

回帰手法

机械学习におけるにおける回帰回帰は，连続的な応答を予测ます。例えば，売上予测，需要予测，来店，経済予测，経済分类，温度，机器の故障までの空间，电气気负荷予测アルゴリズム取引，用途も多元に渡ります。

一道的な回帰アルゴリズムは，线路回帰，非inion形形，ステップワイズ回帰，ブースティングされた木とされ决定木，ニューラル，ネットワークなどがれ。よく使われます。

线回帰

まず，回帰分析とは，応答変数（目的変数）を复数の予测子変数（说明変数）を用いて予测，说明することです。一般的に，応答変数とは予测，分析したいデータ，はそのために用いるデータのことを指します。线形回帰モデルの一般的な式は次の形式です。

Y =β0+ΣβiXi+εI（Yは応答変数，Xは予测子，βは线型方程式の系数，εは误差项）

线回帰では，応答変数の最适な予测を行うために，1つ以上の独立した予测子変数を使用し，线形方程式の系数を推定します。线形回帰は一般的に，1つの応答変数に対し1つの予测子（说明変数）のみをもつ単回帰，复数の予测子をもつ重回帰，复数の応答変数のためのモデルである多変量回帰などのタイプに分かれます。

非非回帰

非非回帰では，连続する応答応答ととつつ上の予测子変とのの非非形生成し，新しい観测値予测し。

Y = F（X，β）+ε

线形パラメータとのををに化できない场常回帰回帰ではなくます非回帰モデルは，パラメトリックである见なさは，パラメトリックは非回帰，モデルは非回帰回帰记述れます。パラメトリック非非形回帰に械习习ののパラメトリックが非非れ回帰はパラメトリック非形形回帰はパラメトリック非非パラメーターととはを非形パラメーターととますこれのの说としこれこれわせの说说说しますこれわせとしてとして说ししわせわせとしてとしてとしますこれわせわせとして说ししますわせわせとしてとしてとしてしますこれわせわせとしてとしてとしてますますわせわせとしてとして关わせこれわせわせわせわせとして关わせわせわせとしてとしてとしてとしてとしてとしてとしてとしてとしてこれわせとしてとしてとしてとしてとしてとしてとしてとしてとしてとしてとしてとしてはとしてとしてとしてとしてとしてははははとしてとしてとしてとしてとしてはとして応答変数）または多変量（复数の応答変数）どちらでも対応可能です。このパラメータは指数关数，三角关数，べき关数，あるいはその他の非线形关数の形をとることができます。

正源化

正源化は，机械学习においてモデルの学习のために使われ，特に过学习を防ぎ，泛化能力を高める目的で使用されます。过学习とは，过剰适合とも呼ばれ，ある特定のデータでは精度の高い评価を出していたモデルが，他の未知のデータには适合できず，精度が低いモデルとなってしまうことを指します。これを泛化ができていない状态とも言います。正则化では，モデルの复雑さやなめらかでないこと等にペナルティという形で情报を追加し，この过学习を防ぐことで泛化能力を高めます。正则化を施した线形回帰としては，リッジ回帰，LASSO回帰，弹性网回帰等があります。

ステップワイズ回帰

ステップワイズ回帰は，自动的にに子参数（说明数）を1つずつ追加，削除を行うで度重回帰析のです选択重回帰，更多ことで分类结果にが生命じることモデルの（拼盘）ととれます。たとえば，応答数（附带数量）に影响を及ぼしうる重要な子変が含まれていないやれれいないややれてや応答応答ににを及ぼさない子数量を追したたにもの误设定が生物じますものととじじますモデルのと言われるれるモデルソフトが言われるれるなソフト自动で效な子変数の组み组みな子変数をのを选択する変のののを选択方法回帰回帰を，あてはまりの良いモデルをで。

教师なし学习

教师なし学习は，データに内在する隠れたパターンや固有の构造を见いだすものです。ラベル付けされた応答を持たない一连の入力データから推论を导き出すために用いられます。

クラスタリングは，最も一般的なな教师习习手手これ，探索，データデータにより，データデータ内の隠れたパターンや构造を発见するためにににものものものものものものものものものものものクラスタリングは，遗伝子配列解析，市场调查，および物体认识などにさています。

たとえば，携帯电话会社が携帯电话の中継塔の位置を最适化したい场合，中継塔の利用者のクラスター数を见积もるために机械学习を使うことができます。携帯电话が一度に接続する中継局は1カ所のみのためクラスタリングアルゴリズムを使用して，顾客のグループまたはクラスターが最适化された信号受信を受けるために最适な中継塔の配置を设计します。

クラスタリングを実行するためののののにににķ平均法およびkメドイド那阶层クラスタリング那混那隠れマルコフモデル那自己组织化像，ファジーc平台クラスタリング，および减法クラスタリングなどが含まれます。

ķ平均法

ķ平均法（K-means聚类）とは，非阶层クラスタリングの代表的な手法の1つです。まず，非阶层クラスタリングとは，データセットの中から，分析担当者によって定められたクラスター数だけ类似するデータを集め，クラスターを作る方法の1つです.K平均法は，まずデータを定められたķ个のクラスターに分けた后，各クラスターの重心と各データポイントとの距离を计算し，距离1，というプロセスを割り当て，というプロセスをに直す，というプロセスをを直すののクラスターののクラスターのののクラスターがクラスタークラスタークラスタークラスタークラスターがクラスターなるまでいしなるなるなるまでいですただただののなは最初ののランダムなな割にがのランダムなな割するきく依存するするするするするするするするためため回のk平衡法での结果とならない可能あることに留意しなりませ

阶层クラスタリング

阶层クラスタリングとは，シンプルであり，データ内のクラスター数が事前には分からない场合において有效なクラスタリングの手法です。まず，N个のデータが含まれるデータセットがあり，それぞれ1つのデータのみで构成されるñ个のクラスターがある状态が初期状态として始まります。そして，このñ个のクラスターの中で最もこの距离の近い2つのクラスター统合します。これが缲り返されていき，全ての対象が1つのクラスターに统合された时点で终了します。このプロセスで作成されたものをツリー化したものを树形树（デンドログラム）と呼び，1つのクラスターの集合ではなく，あるレベルのクラスターが次のレベルででとして加入多重レベルの阶层を表します。

混合ガウスモデル（GMM）

多重の场合，データのクラスタリングにはははガウス（GMM）がが使使れますます。混混ガウスガウスによるクラスタリングクラスタリングははにポイントががつクラスタリングはのにて可性がある属しいる可性があるや，クラスターのがさまざまで，クラスターの相关构造が异なっている合并においてです.k平衡法を活しクラスタリングなども，より适切などよりも，より适切なながあり。

混合ガウスモデルは，ガウス分布（正规分布）を复数重ね合わせること（线形重ね合わせ）によって，どうデータポイントが分布しているかパラメータを推定する手法を用いたモデルを指します。

结合ガウスモデルは，データセットをクラスターごとににだけでなくだけでなく，データセットの确率密度密度を得るますますこの得るますば，新たサンプリングや，回帰分享，クラス分类，クラス分享类も応応使用可致です。近似近似させたた混はは，与えられたデータ，データデータを事后确率が大大になるで，クラスタリングクラスタリングししによりつまり割り当てることしモデルによりつまり割り当てることしによりにより割り当てることでモデルによりつまり割り当てることしによりによりつまりことことしにより最大になる成分にををます。

隠れマルコフモデル（嗯）

「││││││││││││││││││││││││││││││

自己组织化

自己组织化マップは，ニューラルネットワークに基づくクラスタリングの手法の1つです。入力データについて，それらの类似度をマップ上での距离で表现し，自动的に分类を行います。人が识别することが难しいような，高次元データの中に存在する特徴を，予备知识なしでクラスタリングすることが可能です。

自己组织化は，経済分类，土木工，颜认证，検索エンジン，健康诊断など様々なでの事例あります。

ファジィc平台クラスタリング

ファジィセットをn个クラスタに化既知ですですに既知でありであり。

ファジィc平台クラスタリングで，データセット内のすべてのデータが，すべてすべてのクラスタクラスタに属しいいいいいははははクラスタクラスタに属する属するいデータくく，そのクラスタに属するいが高度，クラスタの中心から离れた别データ点は，そのクラスタに属する度合并がなります。

クラスタの中心をランダムに推测することから始まります。次に，各データポイントに各クラスタのランダムなメンバーシップ等级を割り当てます。各データポイントのクラスタ中心とメンバーシップ等级を反复的に更新することで，クラスタ中心をデータセット内の正しい位置に移动させ，各データポイントについて，各クラスタのメンバーシップ度を求めます。この缲り返しにより，任意のデータ点からクラスタ中心までの距离をクラスタ内のそのデータ点のメンバーシップで重み付けした目的关数が最小化されます。