AI/データサイエンス 【機械学習】アンサンブル学習
今回は、機械学習の予測精度を高くするために使われるアンサンブル学習について解説します。
データサイエンス
AI/データサイエンス 
AI/データサイエンス 【機械学習】決定木
今回は機械学習で使われるアルゴリズム決定木(decision tree)について解説します。
AI/データサイエンス 【機械学習】線形回帰
今回は機械学習の中の教師あり学習の分野における、線形回帰について解説します。
AI/データサイエンス 【機械学習】正則化
機械学習のモデル構築を進めるうえで最も重要なポイントの一つが、いかにして最適なパラメータ(w)を見つけるか、ということです。今回は、その為の手法の1つである正則化について説明します。
AI/データサイエンス 【機械学習】勾配降下法の問題
今回の記事では、勾配降下法の問題について説明します。勾配降下法の問題としては、局所最適解に陥る問題と、勾配消失問題が挙げられます。
AI/データサイエンス 【機械学習】正規化とは何か? 標準化との違いは？
今回は、機械学習やディープラーニングで精度の高いモデルを作成する際に欠かせない、正規化について説明します。
AI/データサイエンス 【機械学習】勾配降下法とは何か
今回は勾配降下法について説明します。勾配降下法とは、機械学習のモデルにおいて損失関数を最小とするような最適なパラメータを設定するためのアルゴリズムです。
AI/データサイエンス 【機械学習】過学習とは何か
今回は機械学習における過学習(overfitting)について説明します。
AI/データサイエンス 【機械学習】損失関数
機械学習ではいかにして最適なパラメータ(w)を見つけるかが重要です。今回は最適なパラメータを設定するために理解が不可欠な損失関数(＝誤差関数)について説明します。
AI/データサイエンス 【機械学習】最小二乗法
機械学習のパラメータの最適値を見つけるために必要な最小二乗法や平均二乗誤差(MSE)について解説します。