強化学習

エージェントが環境と相互作用しながら、報酬を最大化するように行動方針を学習する手法。ゲームAIやロボット制御、自動運転などに応用される。

エージェントが環境と相互作用しながら、報酬を最大化する行動方策を学習する機械学習手法。試行錯誤を通じて最適な行動を学ぶ。ゲームAIやロボット制御に応用される。

エージェントが環境と相互作用し、報酬を最大化する行動方策を学習する手法。試行錯誤を通じて最適な行動を獲得する。Q学習やSARSAが代表的なアルゴリズムで、ゲームAIやロボット制御に応用される。

エージェントが環境の中で試行錯誤しながら行動し、得られる報酬の合計が最大になる行動の選び方（方策）を学習する機械学習の手法。自動車の自動走行の制御、建築物の揺れの制御、在庫発注や配車ルートの最適化など、判断を逐次重ねる問題の支援に使われる。

エージェントが環境と相互作用し、報酬を最大化する行動方策を学習する手法。試行錯誤を通じて最適な行動を獲得する。Q学習やSARSAが代表的なアルゴリズムで、ゲームAIやロボット制御に応用される。

エージェントが環境の中で行動し、その結果として得られる報酬が長期的に最大になるような行動の選び方（方策）を、試行錯誤を通じて学習する機械学習の手法。正解は与えられず報酬だけを手がかりにする。ゲームの攻略、ロボットの制御、生成AIを人の好みに合わせるRLHFなどに使われる。

正解ラベルを付けた訓練データから、入力と出力の対応関係を学習する方式。分類や数値予測に用いられ、ラベル付けの品質が精度を大きく左右する。

正解ラベルを与えず、データの構造や類似性からグループ分けや特徴抽出を行う方式。顧客のセグメント発見など、知識発見の目的で用いられる。

機械学習においてデータの特徴を数値化したもの。画像であれば色やエッジ、テキストであれば単語の出現頻度など、学習や予測に使う入力データの属性を表す。

コンピュータがデータからパターンや規則性を自動的に学習し、予測や判断を行う技術。教師あり学習・教師なし学習・強化学習の3種類に大別される。

人間の脳の神経回路を模倣した数理モデル。入力層・中間層（隠れ層）・出力層で構成され、各層のニューロン間の結合の重みを調整することで学習を行う。

ニューラルネットワークの学習で用いられる誤差逆伝播法。出力層の誤差を入力層に向かって逆方向に伝播させながら、各層の重みを調整して学習精度を高める。