#機械学習
インプットとなるデータをもとに、プログラムがルールや知識を自分で学習する
学習させることにより特定のタスクを実行可能にする
　⇒　未知のものに対する判断・予測をする
学習には時間が掛かり、タスクの実行には時間が掛からない
タスクに使用する情報（特徴量）は人間が教える必要がある
##教師あり学習
教師（人間）入力データと出力データ（特徴量と正解）をセットで渡して学習させモデルを作成する
###分類
故障する、故障しない／生存できる、生存できない　など分類する
目的変数がカテゴリ
####ロジスティック回帰
####決定木
####ランダムフォレスト
####SVM(サポートベクターマシン)

カーネル法
カーネルトリック

###回帰
明日の気温、1ヶ月後の売り上げなど、数値を予測する
目的変数が数量

####線形回帰
単回帰式： $ y=ax+b $
重回帰式： $ y=a_1x_1+a_2x_2+a_3x_3+・・・+b $

以下の手法で、$ a $、$ b $を推定
####最小二乗法
残差平方和$ \sum(y-\hat{y})^2 $が最小になる$ a $と$ b $を求める
$ y $は実測値
$ \hat{y} $は予測値

手順
① $ x $ の偏差平方和($ S_{xx} $)・ $ y $ の偏差平方和($ S_{yy} $)・$ x $と$ y $の偏差平方和($ S_{xy} $)を求める

\begin{align}
S_{xx} &= \sum^n_{i=1}(x_i-\bar{x})^2\\
S_{yy} &= \sum^n_{i=1}(y_i-\bar{y})^2\\
S_{xy} &= \sum^n_{i=1}(x_i-\bar{x})(y_i-\bar{y})\\
\end{align}

② 残差平方和($ S_e $)を求める

\begin{align}
S_{e} &= \sum^n_{i=1}(y_i-\hat{y})^2
\end{align}

③ 残差平方和($ S_e $)を$ a $と$ b $について微分し、$ 0 $とおいて $ a $と$ b $を求める

\begin{align}
a &= \frac{S_{xy}}{S_{xx}}\\
b &= \bar{y}-\bar{x}a
\end{align}

##教師なし学習
教師（人間）が入力データを渡してデータの一定のパターンやルールを抽出する
データの共通点を見つけてクラスタに分けたり、頻出パターンの抽出を行う
###クラスタリング
####k-means
####LDA
###頻出パターンマイニング
####アソシエーション分析
###次元圧縮
####主成分分析

#深層学習
機械学習のニューラルネットワークの階層を深くしたもの
機械学習のときに人間が渡していた特徴量を機械自体が学習する
##教師あり学習
####CNN
####RNN
####全結合型
##教師なし学習
####オートエンコーダ
####ボルツマンマシン