機械学習（ML）は、人工知能（AI）の一分野です。MLは、コンピュータがサンプルデータ（トレーニングデータ）または経験（学習済み情報）に基づいて自身を改善することを可能にする研究分野です。機械学習は、明示的にプログラムされることなく、自動的に予測や意思決定を行うことができます。
機械学習の問題は、一般的に予測（prediction）と分類（classification）の2つのタイプに分けられます。例えば、住宅価格や自動車価格の予測、手書き文字認識や物体認識などの分類問題があります。
オンライン履歴書作成ツールの流れ
機械学習のワークフロー
機械学習のワークフローには、以下の手順が含まれます。
- データ収集（Data Collection）： コンピュータが学習するためには、データセットが必要です。自分で収集することも、公開されているデータセットを使用することもできます。データは、コンピュータの学習効果を保証するために、正確で信頼できるソースから取得する必要があります。
- 前処理（Preprocessing）： この手順では、データの正規化、不要な属性の削除、データのラベル付け、一部の特徴量のエンコーディング、特徴量の抽出、結果を保証しながらデータの削減を行います。この手順は、通常、最も時間がかかり、データ量に比例します。
- モデルのトレーニング（Training Model）： これは、モデルをトレーニングし、最初の2つのステップで収集および処理されたデータで学習させる手順です。
- モデルの評価（Evaluating Model）： トレーニング後、モデルを評価するために、さまざまな指標を使用する必要があります。モデルの精度は、80％以上であれば良好と見なされます。
- 改善（Improve）： モデルが目的の精度に達していない場合は、再トレーニングを行い、期待される精度に達するまで手順3から繰り返します。
機械学習の種類
機械学習は、一般的に次の2つの主要なタイプに分類されます。
- 教師あり学習（Supervised Learning）： コンピュータは、ラベル付けされたデータで学習します。各入力Xiには、対応するラベルYiがあります。
- 教師なし学習（Unsupervised Learning）： コンピュータは、ラベル付けされていないデータで学習します。機械学習アルゴリズムは、データの相関関係を見つけ、データをモデル化し、コンピュータがデータを理解し、類似したグループまたはクラス（クラスタリング）にデータを分類したり、データの次元を削減（次元削減）したりするのに役立ちます。
機械学習の基本的な概念
- データセット（Dataset）： 処理されていない生のデータの集合。データセットには、多くのデータポイントが含まれています。
- データポイント（Data Point）： 1つの観測を表すデータ点。各データポイントには、多くの特徴または属性があり、数値データ（numerical）と非数値データ（non-numerical/categorical）の2つのタイプに分けられます。
- トレーニングデータとテストデータ（Training data and Test data）： データセットは、通常、これら2つのセットに分割されます。トレーニングデータはモデルのトレーニングに使用され、テストデータは結果の予測とモデルの評価に使用されます。
- 特徴量ベクトル（Features vector）： データセット内のデータポイントを表す特徴ベクトル。各ベクトルには、データポイントの特徴を表すn次元があり、各特徴は1次元であり、数値データである必要があります。
- モデル（Model）： モデルは、そのモデルのアルゴリズムに従ってトレーニングデータでトレーニングするために使用されます。その後、モデルは、学習した内容に基づいて予測または意思決定を行うことができます。
機械学習の応用
機械学習は、金融、生物学、農業、情報検索と抽出、自動化、ロボット工学、化学、コンピュータネットワーク、宇宙科学、広告、自然言語処理、コンピュータビジョンなど、多くの分野で広く応用されています。
例えば、天気予報では、過去の観測記録をコンピュータに学習させることで、人間よりも高い精度で将来の天気を予測することができます。機械学習の有効性は、Industry 4.0時代において、その理解と学習を重要にしています。
