k-means法

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なクラスタリングの手法。k個の中心点を仮に置き、各データを最も近い中心点のクラスタに割り当てては、各クラスタの重心に中心点を移す処理を、変化がなくなるまで繰り返す。kの値と初期の中心点の選び方で結果が変わる。

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。

正解のラベルを与えずに、データの類似性や構造から規則性を見つけ出す機械学習の手法。似たデータをまとめるクラスタリングや、変数を要約する次元削減があり、顧客セグメンテーションや店舗のクラスタリングなどのグルーピングに使われる。得られたグループの意味は人間が解釈する必要がある。

データからパターンや規則を学習し、明示的にプログラムしなくても予測や判断を行えるようにするAIの技術。正解付きのデータで学ぶ教師あり学習、正解なしで構造を見つける教師なし学習、報酬を手がかりに行動を学ぶ強化学習に大別される。学習に使っていない未知のデータに対する性能（汎化性能）が重要で、データの質と量、特徴量の設計、適切な評価が精度を左右する。

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。

多数の特徴量（次元）を持つデータを、元の情報をできるだけ保ったまま少ない次元で表すこと。有用な特徴量を選ぶ特徴選択と、主成分分析やオートエンコーダのように新しい少数の特徴量を作る特徴抽出がある。次元の呪いの緩和、計算量の削減、2次元・3次元への可視化（t-SNE、UMAPなど）に使う。

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。