k-means法

データをあらかじめ決めたk個のクラスタに分ける非階層的クラスタリングの代表的な手法。k個の中心をとり、各データを最も近い中心のクラスタに割り当て、クラスタごとの平均を新しい中心とする処理を、割当てが変わらなくなるまで繰り返す。kを事前に決める必要があり（エルボー法などで検討）、結果が初期値に左右されるので、初期の中心を離して選ぶk-means++などを使う。

教師なし学習の代表的な手法で、正解ラベルのないデータを、特徴の似たもの同士が同じグループ（クラスタ）になるように分けること。k-means法のような非階層的手法と、データを順に併合して樹形図（デンドログラム）を作る階層的手法があり、顧客の分類や異常の発見などに使われる。

多数の特徴量（次元）を持つデータを、元の情報をできるだけ保ちながら、より少ない次元のデータに変換すること。計算量の削減、過学習の抑制、2次元や3次元での可視化に役立つ。代表的な手法として主成分分析（PCA）があり、教師なし学習に分類される。

入力データと、それに対応する正解（ラベル）の組を大量に与えて、入力から正解を予測する規則をモデルに学習させる機械学習の手法。数値を予測する回帰と、カテゴリを予測する分類が代表的で、正解ラベルを付けたデータの準備に手間がかかる。

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。

人が正解ラベルを付けなくても、データ自身から学習の課題と正解を自動的に作って学習する手法。文章の一部を隠して当てさせる、次の単語を予測させるといった課題を使う。ラベル付けの手間なく大量のデータで学習できるため、大規模言語モデルなどの事前学習の中心となっている。

複数のコンピュータを連携させて1つのシステムとして動作させる構成。高可用性クラスタ（障害対策）や負荷分散クラスタ（性能向上）などがあり、信頼性と処理能力を向上させる。