機械学習による分類とその応用を理解するための図

機械学習は主に教師あり学習、教師なし学習、強化学習に分けられます。ただし、各手法の適用分野はそれぞれ異なりますので、以下で簡単に紹介します。

教師あり学習

教師あり学習では、ラベル付けされたトレーニング データに基づいてモデルを学習し、最終的に新しいデータ セットのラベルを予測します。ラベルが離散的か多値かに応じて、回帰問題、バイナリ分類、多ラベル分類、多値分類など、多くの問題に細分化することもできます。ここでは、その応用分野を説明するために、回帰と分類の 2 つのカテゴリにのみ分けます。

分類問題:

• 不正検出: たとえば、銀行でのクレジットカードローンの承認では、銀行ローンの債務不履行や意図的な不正を防ぐために、顧客の返済能力を考慮する必要があります。これには、不正検出、つまり顧客の情報と行動に基づいて不正の可能性を判断することが必要です。
• 画像分類：顔認識などわかりやすいです。画像が与えられた場合、それが誰のものであるか、または認証画像が自分のものと一致しているかどうかを判断する必要があります。
• 顧客維持: 顧客離れは企業のビジネスに影響を及ぼします。どのユーザーが離れようとしているのかを判断することは重要な問題です。顧客維持の判断も教師あり学習の重要な応用です。
• 医療診断: たとえば、患者の病歴と説明に基づいて、患者の病気を判断します。症状に応じて治療も行います。

回帰問題:

• 予測: このタイプの予測は、一般的に、既存の履歴データに基づいて将来の状況を予測することを指します。最も典型的なアプリケーションは時系列データの予測です。
• 予測: このタイプの予測はより一般的です。将来の予測を指すだけでなく、既存のデータに基づいて出力値を判断することも含まれます。たとえば、家の大きさや場所に基づいて家の価格を判断することなどです。
• プロセス最適化: この問題は、生産プロセス システムを追跡し、その動作を予測してパフォーマンスを向上させることに重点を置いています。
• 新しい洞察: 正直に言うと、私自身もこのアプリケーションを理解していません。インサイトは一連の分析活動であり、既存のビジネスに基づいて予測を行い、将来に対する洞察を得ることを意味する場合があります。

教師なし学習

教師なし学習は、ラベル付けされたデータペアなしで学習し、それらを自動的に分類します。教師なし学習は、データの理解とパフォーマンスの向上において、かけがえのない役割を果たします。ここでの教師なし学習の応用は、主にクラスタリングと次元削減の 2 つのカテゴリに分けられます。

クラスタリングアプリケーション

• 顧客セグメンテーション: これは非常に古いトピックです。主に、購入データやその他の行動データに基づいて顧客をさまざまなカテゴリに分類し、さまざまなマーケティング戦略を実行します。このアプリケーションは、実際の状況では非常に一般的かつ数多く使用されています。
• ターゲット マーケティング: ターゲット マーケティングは、市場全体のサブセットである特定の (ターゲット) ユーザー層の間で製品やサービスの認知度を高める方法です。
• 推奨システム: 推奨システムは現在非常に一般的なアプリケーションです。推奨システムにおけるクラスタリングの主な役割は、製品とユーザーを分割し、それによって推奨システムのパフォーマンスを向上させることです。

次元削減

• ビッグデータの視覚化: ビッグデータのシナリオでは次元が非常に高く、データの視覚化がより困難になります。クラスタリングは、データ次元を圧縮し、データ特性を維持し、ビッグデータの視覚化効果を向上させるのに役立ちます。
• データ圧縮: データ圧縮は、もう 1 つの非常に一般的なアプリケーション シナリオであり、画像表示、データ転送、その他の分野で多くのアプリケーションがあります。
• 構造的発見: データを理解して洞察を得るには、データを素早く理解してパターンを発見できるように、データの構造を整理して分割する必要があることがよくあります。クラスタリングにより、構造発見の効率を効果的に向上できます。
• 特徴の削減: 特徴は、データに基づく予測などのシナリオでは重要な入力パラメータですが、類似した特徴があると、運用効率が低下し、精度に影響します。クラスタリング手法を使用して特徴を削減すると、予測効率が向上し、無効な入力が削減されます。

強化学習

強化学習は主に、特定の環境シナリオに基づいて効果的な対策と戦略を見つけ、最大の利益を得ることに重点を置いています。 AlphaGo の知名度が高まるにつれ、強化学習の応用と開発は近年目覚ましい成果を上げています。

主な適用シナリオは次のとおりです。

• リアルタイムの意思決定: 実生活や仕事では、リアルタイムの意思決定が必要な問題が数多くあります。たとえば、飛行中、ドローンは飛行の安全を確保するために、環境条件に応じて姿勢と速度を調整する必要があります。強化学習に基づくリアルタイムの意思決定は、自動制御などの問題をより適切に実現するのに役立ちます。
• ゲーム AI: Honor of Kings のロボットは強化学習に基づいています。 AIは数万のゲームでの戦略から得られた報酬とペナルティに基づいて、最適化された戦略を取得します。
• ロボットナビゲーション：ロボットが認識した環境や道路に基づいてナビゲーションルートを決定します。強化学習は、学習したシナリオに基づいて、複数のナビゲーション戦略から最適なコンテンツを選択できます。