マテリアルズインフォマティクス

機械学習のモデルの精度を高めるために、元のデータから予測に役立つ特徴量を作成・選択・変換すること。標準化、二値化、離散化、対数変換などの変換のほか、日付から曜日を取り出す、複数の項目を組み合わせるなど、業務の知識を生かした新しい特徴量の作成も含む。予測の時点では得られない情報を特徴量に含めてしまうデータリークに注意する。

入力されたデータを分析して、分類、予測、検知、認識などの判断を行うAI。売上予測や離反予測、顧客のグルーピング、画像による不良品の検知などに使われ、仮説検証、知識発見、原因究明、計画策定、判断支援、活動代替などの目的で業務に組み込む。新しいコンテンツを作り出す生成AIと対比される。

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。

個々の事例や観察の結果から、それらに共通する一般的な規則や法則を導く推論。「見たカラスはすべて黒い」から「カラスは黒い」を導くような推論で、新しい知識を得られるが、反例が見つかれば覆るので結論は必ずしも正しくない。データから規則を学ぶ機械学習は帰納推論の一種といえる。

読みやすさを重視した構文を持つ、インタプリタ方式の汎用プログラム言語。字下げ（インデント）でブロックを表し、変数の型を宣言しない動的型付けである。数値計算のNumPy、データ処理のpandas、機械学習のscikit-learn、深層学習のPyTorchなどのライブラリが充実しており、データ分析とAI開発で最も広く使われている。

機械学習においてデータの特徴を数値化したもの。画像であれば色やエッジ、テキストであれば単語の出現頻度など、学習や予測に使う入力データの属性を表す。