IT用語辞典

詳細説明：教師あり学習では、入力データと正解ラベルのペアから学習し、新しいデータに対して予測を行います。分類問題では離散的なカテゴリを予測し、回帰問題では連続値を予測します。

主要なアルゴリズム：

• 線形回帰・ロジスティック回帰
• 決定木・ランダムフォレスト
• サポートベクターマシン（SVM）
• k近傍法（k-NN）
• ニューラルネットワーク

詳細説明：正解が与えられないデータから、潜在的な構造やパターンを自動的に発見します。データの理解、可視化、前処理に重要な役割を果たします。

主要なタスク：

• クラスタリング（k-means、階層クラスタリング）
• 次元削減（PCA、t-SNE、UMAP）
• 異常検知
• 関連ルール学習
• 密度推定

詳細説明：エージェント、環境、状態、行動、報酬の要素で構成され、マルコフ決定過程として定式化されます。ゲーム、ロボット制御、自動運転などで活用されています。

主要なアルゴリズム：

• Q学習
• 方策勾配法
• Actor-Critic
• Deep Q-Network (DQN)
• Proximal Policy Optimization (PPO)

詳細説明：畳み込み層、プーリング層、全結合層から構成され、画像の空間的構造を保持しながら特徴抽出を行います。パラメータ共有により効率的な学習が可能です。

代表的なアーキテクチャ：

• LeNet（手書き数字認識）
• AlexNet（ImageNet優勝）
• VGG（深いネットワーク）
• ResNet（残差接続）
• EfficientNet（効率的設計）

詳細説明：隠れ状態を持ち、前の時刻の情報を次の時刻に引き継ぐことで系列データを処理します。勾配消失問題の解決策としてLSTMやGRUが開発されました。

主要な発展形：

• Vanilla RNN（基本形）
• LSTM（Long Short-Term Memory）
• GRU（Gated Recurrent Unit）
• Bidirectional RNN（双方向）
• Attention付きRNN

詳細説明：忘却ゲート、入力ゲート、出力ゲートの3つのゲート機構により、セル状態の更新を制御します。長期的な依存関係を効果的に学習できます。

主要な構成要素：

• セル状態（Cell State）
• 忘却ゲート（Forget Gate）
• 入力ゲート（Input Gate）
• 出力ゲート（Output Gate）
• 隠れ状態（Hidden State）

詳細説明：「Attention Is All You Need」論文で提案され、RNNやCNNを使わずに注意機構のみで構築されます。BERT、GPT、T5などの基盤となっています。

主要な構成要素：

• Multi-Head Attention
• Position Encoding
• Encoder-Decoder構造
• Feed Forward Networks
• Layer Normalization

詳細説明：Query、Key、Valueの概念を用いて、入力の各要素がどの程度重要かをスコア化し、重み付き和を計算します。機械翻訳や文書要約で大きな改善をもたらしました。

主要な種類：

• Additive Attention
• Scaled Dot-Product Attention
• Multi-Head Attention
• Self-Attention
• Cross-Attention

詳細説明：計算グラフベースの設計により、CPUとGPUの両方で効率的に実行できます。Kerasという高レベルAPIも統合し、初心者にも使いやすくなっています。

主要な特徴：

• Eager Execution（即時実行）
• TensorFlow Lite（モバイル対応）
• TensorFlow.js（Web対応）
• TensorBoard（可視化ツール）
• 分散学習サポート

詳細説明：Define-by-Run方式により、実行時にネットワーク構造を動的に変更でき、デバッグが容易です。Pythonライクな直感的なAPIが特徴です。

主要な利点：

• 動的計算グラフ
• Pythonとの親和性
• 自動微分（Autograd）
• 強力なGPUサポート
• 活発な研究コミュニティ

詳細説明：機械学習の基本的なアルゴリズムを網羅し、データ前処理、モデル評価、パイプライン構築の機能も提供します。初学者から専門家まで幅広く利用されています。

主要な機能：

• 分類（SVM、Random Forest、Logistic Regression）
• 回帰（Linear Regression、Ridge、Lasso）
• クラスタリング（K-means、DBSCAN）
• 次元削減（PCA、t-SNE）
• モデル選択と評価

詳細説明：「人間中心」の設計思想により、最小限のコードで複雑なモデルを構築できます。現在はTensorFlowに統合され、tf.kerasとして提供されています。

主要な特徴：

• Sequential API（シーケンシャルモデル）
• Functional API（関数型API）
• Subclassing API（サブクラス化）
• 豊富な事前訓練済みモデル
• コールバック機能

詳細説明：セル単位でコードを実行でき、結果をすぐに確認できます。Markdown、LaTeX、HTMLもサポートし、研究・教育・共有に優れています。

主要な利点：

• インタラクティブな実行環境
• 豊富な可視化機能
• 文書化とコードの統合
• 多言語対応（Python、R、Scala等）
• クラウドサービス対応

詳細説明：ドメイン知識を活用してデータを変換し、モデルが学習しやすい形に加工します。良い特徴量は複雑なモデルよりも大きな効果をもたらすことがあります。

主要な手法：

• 数値変換（正規化、標準化、対数変換）
• カテゴリカル変数の処理（One-Hot Encoding）
• 特徴量選択（Filter、Wrapper、Embedded）
• 特徴量の組み合わせ・交互作用
• 時系列特徴量（ラグ、移動平均）

詳細説明：現実のデータは不完全であることが多く、品質の悪いデータは機械学習モデルの性能を大幅に低下させます。データサイエンスプロジェクトの大部分を占める作業です。

主要な作業：

• 欠損値の処理（削除、補間、予測）
• 異常値・外れ値の検出と処理
• 重複データの除去
• データ型の統一
• テキストデータの正規化

詳細説明：機械学習アルゴリズムの多くは特徴量のスケールに敏感です。正規化により、すべての特徴量を同等に扱い、学習の収束を促進できます。

主要な手法：

• Min-Max正規化（0-1スケーリング）
• Z-score標準化（平均0、分散1）
• Robust Scaling（中央値・四分位範囲）
• Unit Vector Scaling（ベクトルの正規化）
• Quantile Uniform変換

詳細説明：高次元データは「次元の呪い」により機械学習の性能が低下します。次元削減により本質的な情報を保持しながら次元数を減らし、効率的な学習を実現します。

主要な手法：

• PCA（主成分分析）
• t-SNE（t-distributed Stochastic Neighbor Embedding）
• UMAP（Uniform Manifold Approximation and Projection）
• LDA（線形判別分析）
• Autoencoder（自己符号化器）

詳細説明：単一の訓練・テスト分割では評価が不安定になる可能性があります。交差検証により、より信頼性の高いモデル評価とハイパーパラメータ調整が可能になります。

主要な手法：

• K-Fold Cross-Validation
• Stratified K-Fold（層化抽出）
• Leave-One-Out Cross-Validation
• Time Series Split（時系列データ用）
• Group K-Fold（グループ分け）

詳細説明：Precision = TP / (TP + FP)で計算されます。スパム検出、医療診断など、間違った陽性判定（誤検出）を避けたい場面で重要な指標です。

関連概念：

• TP（True Positive）：正しい陽性予測
• FP（False Positive）：間違った陽性予測
• 再現率（Recall）との組み合わせ
• F1スコア（調和平均）
• Precision-Recall曲線

詳細説明：Recall = TP / (TP + FN)で計算されます。病気の診断、セキュリティ侵入検知など、見逃し（偽陰性）を避けたい場面で重要な指標です。

関連概念：

• TP（True Positive）：正しい陽性予測
• FN（False Negative）：見逃した陽性例
• 感度（Sensitivity）とも呼ばれる
• 適合率とのトレードオフ関係
• ROC曲線での評価

詳細説明：F1 = 2 × (Precision × Recall) / (Precision + Recall)で計算されます。適合率と再現率の両方が高い場合にのみ高い値となり、総合的な性能評価に適しています。

特徴と応用：

• 0から1の範囲（1が最高）
• 不均衡データセットでの評価
• マルチクラス分類でのMacro/Micro平均
• モデル比較の標準指標
• 早期停止の判定基準

詳細説明：横軸に偽陽性率（FPR）、縦軸に真陽性率（TPR = 再現率）をプロットします。AUC（曲線下面積）により、モデルの判別能力を定量評価できます。

主要な概念：

• TPR（True Positive Rate）= 再現率
• FPR（False Positive Rate）= FP/(FP+TN)
• AUC（Area Under Curve）
• 完全なモデル：AUC = 1.0
• ランダム予測：AUC = 0.5

詳細説明：訓練データの誤差は小さいが、テストデータの誤差が大きくなる状態です。モデルが訓練データのノイズまで学習してしまうことが原因です。

対策手法：

• 正則化（L1、L2正則化）
• ドロップアウト
• 早期停止（Early Stopping）
• データ拡張（Data Augmentation）
• モデルの複雑さ調整

詳細説明：画像分類、物体検出、セマンティックセグメンテーションなど多様なタスクがあります。転移学習により、少ないデータでも高精度な認識が可能になりました。

主要なタスク：

• 画像分類（ImageNet、CIFAR-10）
• 物体検出（YOLO、R-CNN）
• 顔認識・表情認識
• 医療画像診断
• 自動運転での環境認識

詳細説明：画像分類とは異なり、複数の物体の位置と種類を同時に検出します。自動運転、監視システム、ロボティクスなどで重要な技術です。

代表的な手法：

• R-CNN（Region-based CNN）
• Fast R-CNN、Faster R-CNN
• YOLO（You Only Look Once）
• SSD（Single Shot MultiBox Detector）
• EfficientDet

詳細説明：顔検出、特徴抽出、マッチングの段階で構成されます。深層学習により、角度、照明、表情の変化に頑健な認識が可能になりました。

主要な応用：

• スマートフォンのロック解除
• 空港・イベントのセキュリティ
• 写真の自動タグ付け
• 出勤管理システム
• 年齢・性別推定

詳細説明：従来の手法に加え、深層学習（CNN + RNN）により、手書き文字や複雑なレイアウトの文書も高精度で読み取れるようになりました。

主要な応用：

• 文書のスキャン・デジタル化
• 名刺の自動読み取り
• レシート・請求書の自動処理
• ナンバープレート読み取り
• 古書・歴史資料のデジタル化

詳細説明：言語により異なる特徴があり、日本語では形態素解析、英語では空白区切りが基本です。近年はサブワード分割（BPE、SentencePiece）が主流となっています。

主要な手法：

• 単語分割（Word-level）
• 文字分割（Character-level）
• サブワード分割（BPE、WordPiece）
• 形態素解析（日本語）
• 正規表現ベース分割

詳細説明：レビュー分析、ソーシャルメディア監視、顧客フィードバック分析などで活用されます。語彙ベース手法から深層学習手法まで様々なアプローチがあります。

主要な応用：

• 商品レビューの分析
• ソーシャルメディア監視
• 顧客満足度調査
• 株価予測への応用
• 政治世論の分析

詳細説明：情報抽出の基盤技術で、知識グラフ構築、質問応答システム、文書要約などで重要な役割を果たします。CRF、BiLSTM-CRF、Transformerなどの手法が使用されます。

主要なエンティティ：

• 人名（PERSON）
• 地名（LOCATION）
• 組織名（ORGANIZATION）
• 日付・時刻（DATE, TIME）
• 金額・数値（MONEY, PERCENT）

詳細説明：機械学習プロジェクトの継続的インテグレーション、継続的デプロイ、モニタリング、再学習の自動化により、本番環境での安定運用を実現します。

主要なプロセス：

• データ管理・バージョン管理
• モデル学習・評価の自動化
• モデルレジストリ・デプロイメント
• 性能監視・ドリフト検出
• A/Bテスト・段階的展開

詳細説明：開発環境で作成したモデルを、スケーラブルで信頼性の高い本番環境で運用するための様々な技術と手法が必要になります。

主要なデプロイ方法：

• REST API（Flask、FastAPI）
• クラウドサービス（AWS SageMaker、Azure ML）
• コンテナ化（Docker、Kubernetes）
• エッジデプロイ（モバイル、IoT）
• バッチ処理システム

詳細説明：ソフトウェア開発のGitに加え、機械学習特有のデータ・モデルのバージョン管理ツールが必要です。実験の再現性と チーム協業の効率化を実現します。

主要なツール：

• Git（コード管理）
• DVC（Data Version Control）
• MLflow（実験管理）
• Weights & Biases（実験追跡）
• Neptune、Comet（MLプラットフォーム）

詳細説明：機械学習モデルは時間とともに性能が劣化する可能性があります。データドリフト、モデルドリフト、概念ドリフトを検出し、適切な対応を取ることが重要です。

監視対象：

• 予測精度・性能指標
• データドリフト（入力分布の変化）
• モデルドリフト（予測分布の変化）
• システム指標（レイテンシ、スループット）
• ビジネス指標（KPI、ROI）