【ＤＳ検定】ＤＳ１６２　機械学習、ＤＳ１６３　教師学習

データサイエンティスト検定のスキルチェックリストＤＳ１６２及びＤＳ１５５に関する解説を行います。

DS162：機械学習のモデルを使用したことがあり、どのような問題を解決できるか理解している（回帰・分類、クラスター分析の用途など）

1. 回帰（Regression）

数値データの予測手法で、入力変数から連続的な出力変数を予測します。
売上や気温、価格の予測に使われます。

2. 分類（Classification）

データを異なるカテゴリに分ける手法で、各データポイントのカテゴリを予測します。
スパムメールの検出や病気診断に利用されます。

3. クラスター分析（Clustering）

データを似た特徴を持つグループに分ける手法で、ラベルなしのデータからグループを発見します。
顧客セグメンテーションや異常検知に用いられます。

4. 強化学習（Reinforcement Learning）

エージェントが環境と相互作用しながら行動を学び、報酬を最大化する手法です。ロボット制御や自律運転車の運転行動に使われます。

これらの手法は異なる問題に対応するために設計されていますが、実際には組み合わせて使用することもあります。モデル選択には、解決したい問題の性質やデータの種類を考慮することが重要です。

DS163：「教師あり学習」「教師なし学習」の違いを理解している

教師あり学習（Supervised Learning）

ラベル付きデータを使ってモデルをトレーニングします。各入力データには正解が付与され、モデルはこれを基に入力と正解の関係を学習します。

用途

回帰（例: 不動産の価格予測）や分類（例: スパムメールフィルタリング）に使用されます。

手法の例

• 線形回帰
• ロジスティック回帰
• サポートベクターマシン（SVM）
• 決定木
• ニューラルネットワーク

教師なし学習（Unsupervised Learning）

ラベルなしデータでモデルをトレーニングし、データ内のパターンや構造を自動的に発見します。

用途

クラスター分析による顧客セグメンテーションや、主成分分析による次元削減などに使われます。

手法の例

• K-平均法（K-means）
• 階層的クラスタリング
• 主成分分析（PCA）
• t-SNE（t-Distributed Stochastic Neighbor Embedding）