Phase 2の最終回。今日はジャスミンちゃんが『結局全部つながってない?』と大きな勘違いをすることから始まります。実はその勘違いに、Phase 2の全体像を掴むヒントが隠れています。30記事の集大成です。
戸倉 ジャスミン
なぁ先生、結局Phase 2で学んだことって、全部『教師あり学習』の仲間じゃん? 分類も回帰もアンサンブルも全部。
香月 リサ 先生
あら、大胆な主張ね、ジャスミンちゃん。
でもそれは半分正解、半分惜しい。
整理してみましょうか。
深見 つむぎ
つまり、Phase 2では『3つの学習方法』と『それぞれの手法や評価』を横断したんですよね。
雪村 ましろ
教師あり・教師なし・強化学習の3本柱ですよね〜!
香月 リサ 先生
そう。
教師あり学習には分類(分類問題・SVM・k-NN・ロジスティック回帰・決定木)と回帰(線形回帰)がある。
深見 つむぎ
教師なし学習はクラスタリングと次元削減。
強化学習は試行錯誤と報酬最大化。
ここまでが『学習の型』ですね。
戸倉 ジャスミン
あ、うそっ!?
あたしがさっき『全部教師あり』って言ったの、教師なしと強化学習を忘れてた勘違いか!
香月 リサ 先生
ふふ、気づけたのが立派よ。
ジャスミンちゃんの主張は『アルゴリズムの多くは分類・回帰』という点では当たっていたけどね。
雪村 ましろ
ジャスミンちゃん、正直で素敵です〜!
香月 リサ 先生
学習を支える仕組みとして、損失関数・勾配降下法・学習率・ハイパーパラメータ、そして特徴量エンジニアリングも扱ったわね。
深見 つむぎ
データの扱いでは訓練・検証・テスト分割、交差検証を。
汎化の課題では過学習・アンダーフィッティング・バイアスとバリアンスのトレードオフ・正則化を学びました。
戸倉 ジャスミン
あたしわかんない…って思った時もあったけど、並べてみると確かに繋がってるじゃん。
あたしたち、めっちゃ色んなことやってきたんだね。
雪村 ましろ
評価指標は混同行列・精度・再現率・F値・ROC曲線・AUCでした〜!
深見 つむぎ
締めくくりにアンサンブル学習(バギング・ブースティング)と機械学習パイプラインも押さえましたね。
一連の流れがつかめたと思います。
香月 リサ 先生
全員、Phase 2よくがんばったわ。
Phase 3以降はいよいよ深層学習と生成AIの本格領域よ。
ここで学んだ基礎が必ず効くから、各記事のクイズで復習してね。
戸倉 ジャスミン
バドミントンの基礎練習みたいなもんだね。
基礎が固まってれば応用でも崩れない、ってことじゃん!
深見 つむぎ
つまり今後の深層学習でも、勾配降下法・損失関数・過学習・汎化性能・特徴量・評価指標は全部ベースになる、ということですね。
香月 リサ 先生
その通り。
機械学習の基礎用語は生成AIパスポート試験でも頻出だから、苦手分野は特に重点復習を。
雪村 ましろ
ジャスミンちゃん、つむぎさん、先生、ありがとうございました〜! Phase 3もがんばります!
戸倉 ジャスミン
あたしも最後まで走り抜けるよ。
次のフェーズが楽しみすぎる!
香月 リサ 先生
素晴らしい締めよ、みんな。
この調子でPhase 3でも会いましょう。
確認クイズ
教師あり学習のタスクとして正しい組み合わせはどれか?
- クラスタリングと次元削減
- 分類と回帰
- バギングとブースティング
- 強化学習と転移学習
こたえを見る
正解: 2. 分類と回帰
教師あり学習の代表的な2タスクは分類(カテゴリ予測)と回帰(数値予測)です。クラスタリングと次元削減は教師なし学習の手法で、バギングとブースティングはアンサンブル学習の手法です。試験頻出の区別なので確実に押さえましょう。