FE企業活動 · 業務分析・データ利活用

アノテーション

Annotation

あのてーしょん

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。

共有:

他の資格での定義

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、機械学習の正解として使うラベルやタグ、領域の情報を付与する作業。教師あり学習の精度は付与したラベルの品質に左右されるため、作業基準を定め、作業者間のばらつきを確認して品質を管理する。外部に委託したり、作業の一部をAIで支援したりすることも多い。

Past Exams

過去問で 3 回出題（ITパスポート試験 2・応用情報技術者試験 1）

出典: 独立行政法人情報処理推進機構（IPA）の過去問題。問題文は IPA のサイトの PDF で確認できます。「選択肢」は、問題文ではなく選択肢に出たものです。用語名で照合しているため、関係の薄い問題が含まれることがあります。

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。