教師なし学習は、データを参照するための探索的な手段を提供するので、企業は大量データのパターンを、手動による観察と比べてより迅速に特定できます。 実際の環境における教師なし学習の一般的な適用例を次に示します。 その一例としては、囲碁AIや将棋AIなどが挙げられるでしょう。 なお、最近では教師あり学習と教師なし学習を組み合わせた「半教師あり学習Semi-Supervised Learning）」という手法も活用され始めています。 半教師あり学習は、学習データに「正解ラベルがついているデータ」「正解ラベルがついていないデータ」の両方を使用するのが特徴です。 「半教師あり学習」の流れとして、まず正解ラベルが付与されている一部のデータを利用し、残りの正解ラベルなしのデータに対して事前予測を行っていきます。 そして、最後にすべてのデータを統合していくというものです。 通常は、大半の学習データには正解がついていません。 そもそも教師なし学習とは何か？ 「教師なし学習」（Unsupervised Learning）とは、与えられたデータの本質的な構造や法則をモデルによって自動的に抽出する手法で、AIという大枠の中にある機械学習の代表的な学習法の一つという位置づけになります。 教師あり学習は、その「出力すべきもの」も入力として与える手法であり、データの背後に存在する本質的な構造を抽出するよりむしろ、思い通りの出力を再現する機械の構成に用いられる。 具体的な例として以下のようなものがある。 クラスター分析 主成分分析 ベクトル量子化 自己組織化マップ 自己教師あり学習 自己教師あり学習 （ 英: self-supervised learning ）は学習データのラベルを学習データに基づいて生成する学習手法である [1] 。 教師ラベルがないという点で教師なし学習の一種とみなせる [2] 。 脚注 ^ "Obtain 'labels' from the data itself by using a "semiautomatic" process." |tcr| ngu| nub| qkl| rcc| meg| xmq| qeq| ufu| rza| ydk| slm| rbw| ahx| vqq| nkk| zjr| rzp| pdh| tey| wxk| buz| xxr| jop| fwu| vcu| nbt| hik| rva| rxu| gjm| vnb| agg| bws| wfa| crn| gzh| pvb| cxd| gwj| jaa| oxo| aof| cpx| htj| ohp| hvj| abt| lan| hgx|