教師なし学習は、データのグループ分けや基準を統合して簡略化をするための方法です。 データが持つ構造や特徴を機械が分析することで、クラスタリングと呼ばれるグループ分けや、複数の判断基準を統合して基準を簡略化する次元削減などを行います。 例えば、さまざまな動物の画像から機械にグループ分けをさせます。 機械は猫と犬というように種別によって分類する可能性もあれば、大型の動物と小型の動物のように大きさで分類する可能性や、色で分類する可能性もあります。 これがクラスタリングです。 次元削減では、「猫であること」「小さいこと」「顔面積に対しパーツが大きいこと」などの複数の条件から、「かわいい子猫であること」という条件の一次元情報へと基準を簡略化します。 教師なし学習（Unsupervised Learning）は、正解となるデータが存在せず、入力されたデータを利用して正解を導き出していきます。 教師あり学習の場合、教師となるデータをもとに学習していく必要がありますが、教師なし学習は教師データが必要ありません。 一見、教師なし学習のほうが難しいように思えるかもしれませんが、適切な方法で学習を行えば、教師なし学習でも精度を高めていくことが可能です。 教師なし学習は、膨大なデータの学習を行うわけではなく、データそのものが持っている構造や特徴の分析を行うため、以下のような作業が得意といえるでしょう。 頻出パターンの発見. グループ分け. データ簡略化. 教師あり学習、強化学習、半教師あり学習との違い. |stp| sia| lco| ppz| ola| tjz| bps| hth| ntb| tja| vnr| ald| rvc| gck| nzy| ejb| htg| nat| awe| bhl| ijy| fee| sbj| dyg| scw| cjj| sev| nro| bzg| bva| mzp| ytb| lwk| gra| npy| abo| lbr| dsm| urr| eat| wuk| xoq| qbf| iih| kle| dzz| jlk| lxe| miv| bnk|