機械学習モデリングプロセス

1. 問題設定

• どのような課題を解決するか．
• ルールベースプログラムで解ければそれで解いても良い．（解くのが良い）
• ディープラーニングのデメリットは，技術的ハードルが高いこと，テストが実施しにくいこと．

2. データ選定

• どのようなデータを使うか

3. データの前処理

• モデルに学習させられるようにデータを変換する．
  • データが抜けている場合（欠損値）の処理とか
  • 自然言語をフォーマットに落とし込むとか

4. 機械学習モデルの選定

• どの機械学習モデルを利用するか．
  • 線形回帰・非線形回帰
  • ロジスティック回帰
  • SVM
  • k-means
  • PCA
  • knn
  • 深層学習

5. モデルの学習（パラメータ推定）

• パラメータの決め方．

6. モデルの評価

• ハイパーパラメータの選定．
• モデル精度を測る．

機械学習

• コンピュータプログラムを経験によって自動的に改善していく方法
• コンピュータプログラムは，タスクTを性能指標Pで測定し，その性能が経験Eによって改善される場合，タスクTおよび性能指標Pに関して経験Eから学習すると言われている．(トム・ミッチェル 1997)
• 学習用データセット(経験E)を利用してくんれんじたあとに，未知のデータについて正確に予測・分類できるアルゴリズムの能力を言う．