背景

機械学習を学んでいく中で出てきた不明点について調査する

尤度、最尤推定とは

・尤度
尤もらしさを表す指標
・最尤推定
最も尤もらしい量を推定すること
(=尤度が最大となる最尤推定量を求めること)
参考＜https://okigaru-data-science.com/maximum-likelihood/＞

機械学習と深層学習の違いとは

・機械学習
「入力→モデル→出力」といったプロセスで実現される。
モデルの種別は主に下記3個

教師あり・・・正解データを与える
高い精度で予測を行いたい時に使用させる
教師なし・・・正解データは与えず、データ同士の関連を学習する。
データ同士の関連を学習させる。よって、異常の判別やデータの分類を行いたい時に使用される
強化学習・・・目的に基づいて、最も良い結果を得られる方法を学習させます。碁、将棋のAIや、自動運転に使われます。

・深層学習（ディープラーニング）
深層学習では、ディープニューラルネットワークと呼ばれる手法を用いて学習を行います。
深層学習（ディープラーニング）のポイントは、データが各層で処理されていく中で、データの持つ特徴が判断されるという点です。他の手法のようにデータが持っている特徴を人間が教えなくても、ニューラルネットワークが特徴を見つけます。
これは、人間がデータの特徴をうまく扱えないような抽象的な問題であっても結果を出せるということです。そのため、画像認識、音声処理、言語処理といった分野で大きな成果を上げています。

・機械学習と深層学習の違いとは
●機械学習

人間がデータの特徴を判断する
具体的な学習目的や内容については人間が手を加え、学習と分析の効率化を図る
アルゴリズムは「教師あり」「教師なし」「強化学習」の3つに分類

●深層学習（ディープラーニング）

機械学習の手法の1つ
機械がデータの特徴を判断する
何を学ぶべきなのかも機械が判断するため、抽象的な問題の解決を効率化する
アルゴリズムは「教師あり」「教師なし」「強化学習」の3つすべてに応用
高機能だが、ニューラルネットワークのトレーニングには大量のデータが必要のため、学習に時間がかかり、高い処理能力を持つコンピュータも求められるといった課題がある
⇒ 目的や手段によって使い分けることが重要

<参考）https://www.dsk-cloud.com/blog/difference-machine-learning-and-deep-learning>

クラスタリングと分類の違い

・クラスタリング
教師なし学習で、どのグループに所属するなどの答えはなく、データをもとに特徴を学習しグループ分けします。

・分類
どのグループに所属するかの答えをもとに学習したモデルを用いて、答えが未知のデータがどのグループに所属するかを予測します。

参照＜https://ledge.ai/clustering/＞

カスケード型識別器（分類器）とは

アンサンブル学習の一種。複数の学習モデルを融合させて一つの学習モデルを生成する手法
複数の強識別器を連結した識別器
手前にある強識別器ほど判別基準を緩く（誤検出を高く）することで、特徴量が少なくなり計算時間を高速化
→ 非正解の入力を手前の強識別器で素早く排除でき、全体の処理を高速化できます。

参照＜https://algorithm.joho.info/machine-learning/cascade-object-detector/＞

学習データ、検証データ、評価データ

Coming soon