古典的機械学習

人工知能概論（COMP5511）第6講義へようこそ。本講義は理論的な基盤から実用的なアルゴリズムの実装への橋渡しとなります。現代のAIがしばしばディープラーニングに注目する一方、古典的機械学習はデータ分析の基盤を成しており、高い解釈可能性と計算効率を備えており、構造化されたデータや業界標準の分析において最適な選択肢となっています。

1. 決定学習（教師あり学習）

このアプローチでは、入力特徴量と特定の出力ターゲットとの関係を学習させるために、ラベル付きデータセットを用いてモデルを訓練します。これにより、モデルは新しい未確認データに対して結果を正確に予測できるようになります for new, unseen data accurately.

• 決定木：データを分岐させることで分類または数値的な判断に至るモデル。
• サポートベクターマシン（SVM）：データクラス間のマージンを最大化するための最適な超平面を見つけるアルゴリズム。

2. 非教師あり学習

これらのアルゴリズムは、出力の正解が何であるかに関する事前のガイドラインなしに、ラベルなしデータを分析して、隠れたパターン、構造、あるいはグループ化を発見します。主要な手法には以下のものがあります：

• K平均クラスタリング：特徴の類似性に基づき、データポイントをK個の異なるグループに分類する手法。
• 主成分分析（PCA）：複雑なデータを簡略化しつつその本質的な分散を保持するために使われる次元削減技術。