サポートベクトルマシン

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で分類を行う機械学習手法。カーネルトリックにより非線形分類にも対応でき、汎化能力が高い。少数のサポートベクトルで決定境界が定まるため、解釈性にも優れる。

クラスを分ける境界（超平面）を、境界に最も近いデータ（サポートベクトル）との距離であるマージンが最大になるように決める教師あり学習のモデル。マージン最大化により汎化性能が高い。誤分類をある程度許すソフトマージンと、カーネル法による非線形な境界の学習が可能で、分類のほか回帰にも使える。

分類の境界線（超平面）と、それに最も近いデータ点（サポートベクトル）との距離（マージン）が最大になるように境界を決める教師あり学習の手法。カーネル法を使うと、データを高次元の空間に写して非線形の分類にも対応できる。少ないデータでも汎化性能が高い。

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。

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手法。クラスタリング（データの分類）や次元削減が代表的なタスク。顧客セグメンテーションなどに応用される。

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。

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。