クラスタリング

類似性に基づいてデータを複数のグループ（クラスター）に分類する分析手法。顧客セグメンテーションや市場分析などに活用される。教師なし学習の代表的な手法。

似た特徴を持つデータ同士をグループにまとめる分析手法。あらかじめ正解を与えずに分類するため、顧客のセグメント発見などに用いられる。

正解ラベルのないデータを、特徴の似たもの同士のグループ（クラスタ）に分ける教師なし学習の手法。データを順に併合して樹形図（デンドログラム）を作る階層的手法と、k-means法のようにあらかじめ決めた数のクラスタに分ける非階層的手法がある。顧客のセグメンテーションなどに使い、得られたクラスタの意味は人間が解釈する。

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。

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。