ds modeling
まず結論
機械学習アルゴリズムは「教師あり学習・教師なし学習・強化学習」の3つに分類されます。
DS検定では
アルゴリズム名
学習タイプ
主な用途
を結び付けて判断する問題がよく出ます。
つまり
「このアルゴリズムはどの学習タイプか？」
を判断できることが重要です。
直感的な説明
機械学習のアルゴリズムは、役割で整理すると理解しやすくなります。
目的 代表アルゴリズム
数値予測 線形回帰 分類 ロジスティック回帰・SVM グループ分け k-means 画像認識 CNN 文章生成 GPT
DS検定では
用途 → アルゴリズム
の対応を問う問題がよく出ます。
定義・仕組み
教師あり学習（Supervised Learning）
正解付きデータを使って学習する方法です。
回帰（数値予測）
アルゴリズム 特徴
線形回帰 最も基本的な回帰モデル リッジ回帰 過学習を抑える Lasso回帰 特徴量選択が可能
分類
アルゴリズム 特徴
ロジスティック回帰 分類モデル k近傍法（kNN） 近いデータで判断 SVM 境界を最大化 決定木 ルールベース分類 ランダムフォレスト 決定木の集合 勾配ブースティング 弱学習器を組み合わせる
実務では
XGBoost
LightGBM
などもよく使われます。
教師なし学習（Unsupervised Learning）
正解がないデータからパターンを見つけます。
クラスタリング
アルゴリズム 特徴
k-means 最も有名なクラスタリング 階層クラスタリング 階層構造を作る DBSCAN 密度ベースクラスタリング
次元削減
アルゴリズム 特徴
PCA 主成分分析 t-SNE 可視化向け UMAP 高次元可視化
強化学習（Reinforcement Learning）
試行錯誤しながら最適行動を学習します。
アルゴリズム 特徴
Q学習 基本的強化学習 Deep Q Network 深層学習との組み合わせ 方策勾配法 行動方針を直接学習
ディープラーニング手法
モデル 用途
CNN 画像認識 RNN 時系列データ LSTM 長期時系列 GAN データ生成 VAE 生成モデル YOLO 物体検出
LLM関連モデル
モデル 用途
Transformer LLMの基盤モデル GPT 文章生成 BERT 文章理解
どんな場面で使う？
用途 アルゴリズム
売上予測 線形回帰 顧客セグメント k-means 不正検知 ランダムフォレスト 画像認識 CNN 物体検出 YOLO 文章生成 GPT
よくある誤解・混同
ロジスティック回帰
名前に回帰が付いていますが
分類アルゴリズムです。
DS検定では非常に狙われます。
k-means
教師なし学習です。
教師あり学習と混同する問題がよく出ます。
YOLO
画像分類ではなく
物体検出アルゴリズムです。
GAN
分類モデルではなく
データ生成モデルです。
まとめ（試験直前用）
機械学習は 教師あり・教師なし・強化学習
DS検定では アルゴリズム名 → 学習タイプ が頻出
ロジスティック回帰は 分類
k-meansは 教師なし学習
GAN・YOLO・Transformerは ディープラーニング系
対応スキル項目（AI利活用スキルシート）
スキルカテゴリ名 AI・人工知能
サブカテゴリ名 機械学習
★ 機械学習にあたる解析手法の名称を3つ以上知っており、手法の概要を説明できる
🔗 関連記事
- 中間層で使用される活性化関数とは？（ReLU・シグモイド・ソフトマックスの違い）【DS検定】
- アノテーションとは？（AI学習データを作る重要な作業）【DS検定】
- Aprioriアルゴリズムとは？（アソシエーション分析の基本手法）【DS検定】
- アソシエーション分析とは？購買データの関係性を見つける分析【DS検定】
- 共起頻度・支持度・信頼度・リフト値の違いとは？【DS検定】