[Python] 教師あり学習、教師なし学習、強化学習

教師あり学習（Supervised Learning）

教師あり学習とは、入力データ（特徴量）と正解ラベル（目的変数）のセットを用いてモデルを学習させる手法です。新しいデータに対して正しい出力を予測できるようにします。

1. 線形回帰分析（Linear Regression）

   • 連続値を予測する回帰モデルの一種。入力データ (X) に対して重み (w) を学習し、

     y = wX + b
     

     の形で予測する。

2. ロジスティック回帰分析（Logistic Regression）

   • 分類問題に用いられる回帰モデルで、シグモイド関数を用いて出力を確率として解釈する。

     P(y=1|X) = \frac{1}{1+e^{-(wX + b)}}
     

3. サポートベクターマシン（Support Vector Machine, SVM）

   • マージンを最大化する分類モデル。線形・非線形のデータ分類に適用可能。

4. 決定木（Decision Tree）

   • 入力特徴量を用いてデータを条件分岐し、予測を行うモデル。回帰や分類に利用される。

5. k近傍法（k-Nearest Neighbors, k-NN）

   • 新しいデータが与えられたとき、最も近い (k) 個のデータのラベルに基づいて分類する。

6. アンサンブル学習（Ensemble Learning）

   • 複数のモデルを組み合わせて性能を向上させる手法。ランダムフォレストや勾配ブースティングなどが代表例。

7. パーセプトロン（Perceptron）

   • 単純なニューラルネットワークの一種で、線形分離可能な分類問題を解くことができる。

8. ニューラルネットワーク（Neural Network）

   • 多層構造を持ち、非線形なデータに対しても学習可能なモデル。

9. ディープラーニング（Deep Learning）

   • 多層ニューラルネットワーク（DNN）を用いた学習方法で、画像・音声・テキストなどの複雑なデータに適用される。

10. 畳み込みニューラルネットワーク（Convolutional Neural Network, CNN）

    • 画像認識などに特化したニューラルネットワークで、畳み込み層を用いる。

11. 画像認識（Image Recognition）

    • CNNなどを利用し、画像内の特徴を捉えて分類や識別を行うタスク。

12. 自然言語処理（Natural Language Processing, NLP）

    • テキストデータを対象とした機械学習タスクで、分類や翻訳、生成などを含む。

---

教師なし学習（Unsupervised Learning）

教師なし学習は、正解ラベルなしでデータの構造を学習する手法です。

1. 階層的クラスター分析（Hierarchical Clustering）

   • データの類似性に基づいて階層的にクラスタを形成する手法。

2. 非階層クラスター分析（Non-Hierarchical Clustering）

   • 事前に決めたクラスタ数に基づいてデータを分類する手法。

3. k-means法（k-means Clustering）

   • データを (k) 個のクラスタに分割し、各クラスタの重心を反復的に更新する手法。

4. 主成分分析（Principal Component Analysis, PCA）

   • 高次元データを低次元に圧縮し、重要な情報を抽出する次元削減手法。

---

強化学習（Reinforcement Learning）

強化学習は、エージェントが環境と相互作用しながら報酬を最大化するように学習する手法です。