機械学習の全体像について

Question

機械学習の全体像について質問があります。

質問1:機械学習は主に２つに分けるとすると
教師ありデータアルゴリズム
と
教師なしデータアルゴリズム
に分類されると考えていいのでしょうか？

質問2:ディープラーニングやTensorflowは二乗誤差関数を用いるため、教師ありデータアルゴリズムに分類でき、教師なしデータアルゴリズムでは用いないのでしょうか？

質問3:ディープラーニングは主に分類問題と予測問題に分類されると書籍に書いてありましたが、何が分類問題と予測問題を分ける要因になるのでしょうか？

質問4：教師なしデータアルゴリズムではディープラーニング以外のアルゴリズムやテクニック（例えばK-meansなど）を用いると考えてよいでしょうか？

よろしくお願いします。

Comments

[ikedas]

書籍ならAmazonなどで探せば複数見つかるようです。

[ikedas]

質問を違う内容に書き換えるのはやめて下さい。

Answer 1

**「machine learning cheat sheet」**で画像検索すると
この手の大分類をした図表が見つかります

私が参考になったのは
「scikit-learn algorithm cheat-sheet」と
「Microsoft Azure Machine Learning Algorithm Cheat Sheet」です

私自身機械学習への理解が深いとは言えませんが
分類するとするなら下記のようになりました
予測問題というのは下では回帰問題に当たると思います
（色々と間違ってる可能性は多分にありますので注意）

問題で分ける

• 分類問題(教師あり)←答えが値/離散的
  二値分類
  多値分類
• 回帰問題（教師あり）←答えが値・関数/連続的
• クラスタリング（教師なし）
• 次元削減（教師なし）
• その他 主成分分析・独立成分分析・モデル推定・異常値検知など

手法で分ける

• ニューラルネットワーク
• サポートベクタマシン
• ベイジアンネットワーク
• ランダムフォレスト
• ブースティング

多分このような分類はいくつかあり
それらは多くの場合1対1ではありません

例えばTensorFlowで扱えるニューラルネットワークは
分類問題・回帰問題を解くのに使われますが
オートエンコーダを使用すると次元削減ができます
これは入力されたデータが答えでもあるという
教師なしの学習で
これをもっと高度化すると
特徴量抽出とかになるのだと思います

大きな問題は小さな問題に分解され
手法を組み合わせて解かれる
というところも注意するところでしょう

私が見た例では
ニューラルネットワークで次元削減を行い
K-meansでクラスタリングするといったことをやっていました

ニューラルネットワークの形や機能については
下記のサイトなどが参考になると思います
ニューラルネットワークの動物園

Comments

[trafalbad]

ディープラーニングではほとんどが教師ありデータということですね。わかりやすい回答ありがとうございます。