機械学習入門

What is Machine Learning?

入門（プログラミング経験者向け）

この章について

入門では、機械学習の全体像を把握する。「学習」とは何か、なぜデータから学習できるのか、どのような種類の問題があるのかを理解する。数式は最小限にとどめ、直感的な理解を優先する。Python 環境を整え、簡単な例を動かすところまでが目標である。

前提知識

Python の基本（変数、関数、ループ）
高校数学（関数、グラフ）
データを扱った経験があると望ましい

主要な概念

機械学習の定義（Mitchell, 1997）

「コンピュータプログラムが、あるタスク T と性能指標 P に関して、経験 E から学習するとは、E によって T における P が改善されることをいう。」

教師あり学習

入力 $x$ と出力 $y$ のペア $\{(x_i, y_i)\}$ が与えられ、未知の入力に対する出力を予測する関数 $f: x \mapsto y$ を学習する。

汎化

訓練データだけでなく、未知のデータに対しても良い性能を発揮する能力。機械学習の最も重要な目標。

過学習（オーバーフィッティング）

訓練データに適合しすぎて、未知のデータへの汎化性能が低下する現象。モデルが複雑すぎるときに起きやすい。

このレベルで理解できること

問題の定式化

「この問題は回帰か分類か」「教師ありか教師なしか」を判断できるようになる。

データの重要性

データの量と質が学習性能を左右することを理解。「ゴミを入れればゴミが出る」。

バイアスとバリアンス

モデルの複雑さと性能のトレードオフを直感的に理解。

実装の第一歩

scikit-learn を使った基本的な機械学習パイプラインを実行できる。

学習のポイント

概念を先に：数式より先に「何をしているか」を理解する
手を動かす：コードを実行し、結果を観察する
可視化：データとモデルをグラフで確認する習慣をつける
失敗を経験：過学習を実際に起こしてみる

機械学習入門

この章について

前提知識

目次

1. 機械学習の種類一覧

2. 機械学習とは何か

3. 教師あり学習

4. 教師なし学習

5. 強化学習

6. 学習の流れ

7. 過学習と汎化

8. Python 環境の準備

9. 最初の機械学習