| 学習方式 | 特徴 | 種類 | 概要(目的) | 線形/非線形 | 代表例 | 利用用途例 |
| 教師あり | 学習データに正解がある | 回帰 | 入力値に対し、結果を予測する | 線形 | 線形回帰 リッジ回帰(正則化考慮) |
株価予測 |
| 非線形 | k近傍法 ランダムフォレスト ニューラルネットワーク |
時系列データの予測 | ||||
| 分類 | 機械学習で分類分けする | 線形 | ロジスティック回帰 SVM |
スパムメールの分類 | ||
| 非線形 | SVM k近傍法 決定木 ニューラルネットワーク |
画像認識、音声認識 | ||||
| 教師なし | 学習データに正解を与えない | クラスタリング | 機械学習で分類分けする | 線形 | k平均法 | 顧客の購買行動 |
| 非線形 | カーネルトニック EMアルゴリズム 階層的クラスタリング |
社交ネットワークのコミュニティ検出 | ||||
| 次元削減 | データの意味をなるべく損なわないようにしつつ、データの次元を減らす。 結果に影響を与える因子がたくさんありすぎると、 複雑度が高く人間が整理できないので、次元を減らし分かりやすくする。 |
主成分分析(PCA) ニューラルネットワーク |
特徴量の抽出 | |||
| 強化学習 | 環境から得られる報酬を最大化する | エージェントが試行錯誤しながら最適な行動を学習する | モンテカルロ法 | ゲームAI |
