線形代数

ベクトルや行列を用いて線形な関係を扱う数学の分野。連立方程式の解法やデータ分析、機械学習などの基礎となる重要な数学的手法である。

ベクトルと行列を使って、線形な関係（足し算と定数倍で表せる関係）を扱う数学の分野。連立1次方程式の解法、行列の積・逆行列・固有値の計算などを含む。機械学習では、データを行列、特徴量をベクトルとして表し、ニューラルネットワークの計算や主成分分析、推薦の行列分解などの基礎になる。

ベクトルや行列を使って、線形な関係（足し算と定数倍で表せる関係）を扱う数学の分野。連立一次方程式の解法、座標の変換、固有値などを扱い、機械学習のモデルの計算、文書などをベクトルで表した類似度の計算、画像処理の基礎になる。

大きさだけを持ち、向きを持たない量。1つの数値で表され、ベクトルや行列の各要素に同じ数を掛けるスカラ倍の演算に使う。数値を1列に並べたベクトル、2次元に並べた行列と対比される。

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。