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．