アノテーション

画像やテキストなどのデータに、正解や意味を示すラベルを付与する作業。教師あり学習の訓練データを用意する工程として不可欠で、品質が精度を左右する。

画像、音声、テキストなどのデータに、内容を表すラベルやタグ、対象の領域などの情報を付与する作業。教師あり学習の正解データ（教師データ）を作るために行い、付与の品質が AI の精度を左右する。

画像やテキストなどのデータに、正解や意味を示すラベルを付与する作業。教師あり学習の訓練データを用意する工程として不可欠で、品質が精度を左右する。

データからパターンや規則を学習し、明示的にプログラムしなくても予測や判断を行えるようにするAIの技術。正解付きのデータで学ぶ教師あり学習、正解なしで構造を見つける教師なし学習、報酬を手がかりに行動を学ぶ強化学習に大別される。学習に使っていない未知のデータに対する性能（汎化性能）が重要で、データの質と量、特徴量の設計、適切な評価が精度を左右する。

教師あり学習の課題のうち、売上高や価格のような連続した数値を予測するもの。線形回帰、決定木、ニューラルネットワークなどのモデルを使い、予測の誤差をRMSEやMAE、当てはまりのよさを決定係数で評価する。カテゴリを予測する分類と並ぶ、教師あり学習の基本的な課題の種類である。

教師あり学習の課題のうち、入力がどのカテゴリ（クラス）に属するかを予測するもの。迷惑メールか否かのような2クラス分類と、3つ以上のクラスから選ぶ多クラス分類がある。ロジスティック回帰、決定木、サポートベクトルマシン、ニューラルネットワークなどを使い、正解率、適合率、再現率、F値、AUCで評価する。

目的変数を説明変数の一次式（直線や平面）で表して予測する回帰の手法。予測値と実測値の誤差の二乗和が最小になるように係数を求める（最小二乗法）。説明変数が1つのものを単回帰、複数のものを重回帰という。

説明変数の一次式をシグモイド関数で0〜1の値に変換し、ある事象が起こる確率を推定する手法。名前に回帰とあるが、確率がしきい値を超えるかどうかで2つのクラスに分ける分類に使われ、購買の有無や病気の発症の予測などに用いられる。

データを特徴量の条件で繰り返し分岐させた木構造のモデルで、分類や回帰を行う機械学習の手法。分岐の基準にはジニ不純度や情報利得（エントロピーの減少）を使う。判断の過程が分かりやすく説明性が高いが、過学習しやすいため、ランダムフォレストなどのアンサンブル学習の基礎として使われる。