教師なし学習

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の手法。クラスタリング（グループ分け）や次元削減などに利用される。

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。

正解ラベルのないデータから構造やパターンを発見する手法。クラスタリング（k-means法など）や次元削減（主成分分析など）が代表的。データの潜在的なグループ分けや特徴抽出に用いられる。

正解ラベルを与えず、データの構造や類似性からグループ分けや特徴抽出を行う方式。顧客のセグメント発見など、知識発見の目的で用いられる。

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。

多数の変数が持つ情報を、互いに相関のない少数の合成変数（主成分）に要約する手法。データのばらつき（分散）が最も大きくなる方向を第1主成分とし、それと直交する方向で順に主成分を求め、各主成分が元の情報をどれだけ説明するかを寄与率で表す。次元削減、データの可視化、機械学習の前処理に使われる。

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。

特徴量の次元が増えると、データが空間内でまばらになり、同じ密度でデータを集めるのに必要なデータ量が次元に対して指数的に増えるなど、学習や分析が急に難しくなる現象。点どうしの距離の差が小さくなって距離に基づく手法が効きにくくなり、過学習も起きやすい。次元削減や特徴選択で対処する。

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。

教師あり学習の課題の一つで、入力データがあらかじめ決められたカテゴリ（クラス）のどれに当たるかを予測すること。迷惑メールの判定や画像に写った物体の識別などがあり、決定木、ロジスティック回帰、サポートベクトルマシンなどの手法が使われる。