教師なし学習

正解ラベルのないデータからパターンや構造を自動的に発見する機械学習の手法。クラスタリング（グループ分け）や次元削減などに利用される。

正解ラベルのないデータから構造やパターンを発見する手法。クラスタリング（k-means法など）や次元削減（主成分分析など）が代表的。データの潜在的なグループ分けや特徴抽出に用いられる。

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。

正解のラベルを与えずに、データの類似性や構造から規則性を見つけ出す機械学習の手法。似たデータをまとめるクラスタリングや、変数を要約する次元削減があり、顧客セグメンテーションや店舗のクラスタリングなどのグルーピングに使われる。得られたグループの意味は人間が解釈する必要がある。

正解（ラベル）のないデータから、データに潜む構造や規則性をモデルに見つけさせる機械学習の手法。似たデータをまとめるクラスタリング、特徴を少ない次元にまとめる次元削減、よく一緒に現れる項目の組合せを見つけるアソシエーション分析、異常検知などに使われる。

コンピュータがデータから規則性やパターンを自動的に学習し、予測や分類を行う技術の総称。教師あり学習、教師なし学習、強化学習の3つに大別される。AIの中核技術の一つ。

入力データと正解ラベルのペアを学習データとして与え、未知のデータに対する予測モデルを構築する機械学習手法。回帰（数値予測）と分類（カテゴリ予測）に大別される。

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。

データの特徴量や条件に基づいて分岐を木構造で表現し、分類・回帰・意思決定を行う手法。結果の解釈が容易で可視化しやすい。機械学習ではランダムフォレストの基礎となり、意思決定分析では期待値やリスクの評価に用いられる。

複数の決定木を組み合わせて予測精度を向上させるアンサンブル学習手法。各決定木はデータと特徴量をランダムに抽出して構築し、多数決や平均で最終予測を行う。過学習に強い特徴を持つ。

データ間のマージン（境界からの距離）を最大化する超平面を求めて分類を行う機械学習アルゴリズム。カーネルトリックにより非線形分類にも対応できる。SVMとも略される。