専門用語せんもんようごリスト

Glossary

各章かくしょうの専門用語せんもんようごを、章しょうの順じゅんに並ならべています。本ほんの用語ようごリストと同おなじ説明せつめいです。

はじめに

• AI / AI (artificial intelligence)：人ひとが頭あたまを使つかって行おこなうこと（見分みわける、予測よそくする、文章ぶんしょうを作つくる、など）を、コンピューターにさせる技術ぎじゅつです。
• 機械学習きかいがくしゅう / machine learning：機械学習きかいがくしゅうは、データの例れいから規則きそくや予測よそくのしかたを調整ちょうせいする方法ほうほうです。

第だい1章しょう：AIと機械学習きかいがくしゅうの地図ちず

• ルールベース / rule-based system：ルールベースは、人ひとが決きめた条件じょうけんと処理しょりを使つかって出力しゅつりょくを決きめる方法ほうほうです。
• 教師きょうしあり学習がくしゅう / supervised learning：教師きょうしあり学習がくしゅうは、入力例にゅうりょくれいと、その例れいの正解せいかい（ラベル）を使つかって予測よそくの規則きそくを学まなぶ方法ほうほうです。
• 教師きょうしなし学習がくしゅう / unsupervised learning：教師きょうしなし学習がくしゅうは、正解せいかいラベルを使つかわず、データのまとまりや構造こうぞうを探さがす方法ほうほうです。
• 強化学習きょうかがくしゅう / reinforcement learning：強化学習きょうかがくしゅうは、行動こうどうの結果けっかとして受うけ取とる報酬ほうしゅうなどを手てがかりに、行動こうどうの選えらび方かたを学まなぶ方法ほうほうです。
• 学習器がくしゅうき / learner：学習器がくしゅうきは、データの例れいから予測よそくの規則きそくを学まなび、入力にゅうりょくに応おうじた出力しゅつりょくを作つくる仕組しくみです。
• クラスタリング / clustering：クラスタリングは、データの似にている特徴とくちょうをもとに、いくつかのまとまりに分わける方法ほうほうです。
• ニューラルネットワーク / neural network：ニューラルネットワークは、入力にゅうりょくを受うけ取とる複数ふくすうの計算部分けいさんぶぶんをつなぎ、出力しゅつりょくを作つくる仕組しくみです。
• 層そう / layer：層そうは、ニューラルネットワークの計算けいさんをまとめた単位たんいです。
• 深層学習しんそうがくしゅう / deep learning：層そうを重かさねたニューラルネットワークを使つかう機械学習きかいがくしゅうを、深層学習しんそうがくしゅうと呼よびます。

第だい2章しょう：データを学習がくしゅうに使つかえる形かたちにする

• データセット / dataset：データセットは、分析ぶんせきや学習がくしゅうに使つかうために集あつめて整理せいりしたデータのまとまりです。
• サンプル / sample：サンプルは、表形式ひょうけいしきデータの一行いちぎょうに当あたる一ひとつの記録きろくです。
• 特徴量とくちょうりょう / feature：特徴量とくちょうりょうは、予測よそくに使つかう入力項目にゅうりょくこうもくや、その項目こうもくから作つくった数値すうちです。
• 目的変数もくてきへんすう / target variable：目的変数もくてきへんすうは、予測よそくしたい答こたえとして扱あつかう値あたいです。
• データ漏ろうえい / data leakage：データ漏ろうえいは、評価用ひょうかようデータや答こたえに関かんする情報じょうほうが、学習がくしゅうや前処理まえしょりに混まざり、評価結果ひょうかけっかを実際じっさいよりよく見みせることがある状態じょうたいです。
• 欠損値けっそんち / missing value：欠損値けっそんちは、記録きろくされるはずの値あたいが表ひょうに入はいっていない状態じょうたいです。
• 訓練くんれんデータ / training data：訓練くんれんデータは、モデルの規則きそくやパラメータを学習がくしゅうさせるために使つかうデータです。
• テストデータ / test data：テストデータは、学習がくしゅうや調整ちょうせいに使つかわず、最後さいごに未知みちデータへの性能せいのうを見積みつもるために使つかうデータです。
• 検証けんしょうデータ / validation data：検証けんしょうデータは、候補こうほの設定せっていを比くらべ、使つかう設定せっていを選えらぶために使つかうデータです。

第だい3章しょう：回帰かいきで数かずを予測よそくする

• 回帰かいき / regression：回帰かいきは、数値すうちの値あたいを予測よそくする問題もんだいや方法ほうほうです。
• 回帰直線かいきちょくせん / regression line：回帰直線かいきちょくせんは、数値すうちデータの関係かんけいを直線ちょくせんで表あらわし、入力にゅうりょくから予測値よそくちを求もとめるために使つかう線せんです。
• 残差ざんさ / residual：残差ざんさは、本書ほんしょでは実測値じっそくちから予測値よそくちを引ひいた差さです。
• 平均二乗へいきんにじょう誤差ごさ / mean squared error (MSE)：平均二乗へいきんにじょう誤差ごさは、各予測かくよそくの残差ざんさを二乗にじょうして、その平均へいきんを取とった値あたいです。
• 最小二乗さいしょうにじょう法ほう / least squares method：最小二乗さいしょうにじょう法ほうは、残差ざんさの二乗にじょうの合計ごうけいが小ちいさくなるように、モデルの値あたいを決きめる方法ほうほうです。
• 勾配降下こうばいこうか法ほう / gradient descent：勾配降下こうばいこうか法ほうは、損失そんしつが小ちいさくなる方向ほうこうへパラメータを少すこしずつ更新こうしんする方法ほうほうです。

第だい4章しょう：分類ぶんるいで種類しゅるいを予測よそくする

• 分類ぶんるい / classification：分類ぶんるいは、入力にゅうりょくを決きめられたクラスのどれかに分わける問題もんだいや方法ほうほうです。
• クラス / class：クラスは、分類ぶんるいで予測よそくする種類しゅるいや区分くぶんです。
• k近傍法きんぼうほう / k-nearest neighbors (k-NN)：k近傍法きんぼうほうは、新あたらしい点てんに近ちかい訓練くんれんデータをk個こ選えらび、その値あたいやクラスを手てがかりに予測よそくする方法ほうほうです。
• ユークリッド距離きょり / Euclidean distance：ユークリッド距離きょりは、二ふたつの点てんの各座標かくざひょうの差さを二乗にじょうして足たし、その平方根へいほうねを取とった距離きょりです。
• 決定木けっていぎ / decision tree：決定木けっていぎは、特徴量とくちょうりょうについての条件分岐じょうけんぶんきを順じゅんにたどり、最後さいごの葉はで予測よそくするモデルです。
• 分岐ぶんき / split：分岐ぶんきは、決定木けっていぎで特徴量とくちょうりょうの条件じょうけんに応おうじてデータを分わける部分ぶぶんです。
• 葉は / leaf：葉はは、決定木けっていぎの分岐ぶんきの最後さいごにあり、予測よそくクラスや数値すうちを出だす場所ばしょです。
• 標準化ひょうじゅんか / standardization：標準化ひょうじゅんかは、訓練くんれんデータで求もとめた平均へいきんを引ひき、標準偏差ひょうじゅんへんさで割わって数値特徴すうちとくちょう量りょうの尺度しゃくどをそろえる方法ほうほうです。
• 過学習かがくしゅう / overfitting：過学習かがくしゅうは、訓練くんれんデータへの当あてはまりが強つよい一方いっぽうで、新あたらしいデータへの性能せいのうが低ひくくなる状態じょうたいです。

第だい5章しょう：予測よそくを評価ひょうかする

• 混同行列こんどうぎょうれつ / confusion matrix：混同行列こんどうぎょうれつは、実際じっさいのクラスと予測よそくしたクラスの各組かくくみについて、件数けんすうを整理せいりした表ひょうです。
• 真陽性しんようせい / true positive (TP)：真陽性しんようせいは、実際じっさいに陽性ようせいの例れいを、陽性ようせいと正ただしく予測よそくした件数けんすうです。
• 偽陽性ぎようせい / false positive (FP)：偽陽性ぎようせいは、実際じっさいには陰性いんせいの例れいを、陽性ようせいと誤あやまって予測よそくした件数けんすうです。
• 偽陰性ぎいんせい / false negative (FN)：偽陰性ぎいんせいは、実際じっさいに陽性ようせいの例れいを、陰性いんせいと誤あやまって予測よそくした件数けんすうです。
• 正解率せいかいりつ / accuracy：正解率せいかいりつは、全予測ぜんよそく件数けんすうに対たいする正ただしい予測件数よそくけんすうの比ひです。
• 適合率てきごうりつ / precision：適合率てきごうりつは、陽性ようせいと判定はんていした例れいの中なかで、本当ほんとに陽性ようせいであるものの割合わりあいです。
• 再現率さいげんりつ / recall：再現率さいげんりつは、実際じっさいに陽性ようせいの例れいの中なかで、陽性ようせいと正ただしく予測よそくできた割合わりあいです。
• F1スコア / F1 score：F1スコアは適合率てきごうりつと再現率さいげんりつをまとめる指標しひょうで、低ひくい値あたいの影響えいきょうを強つよく受うけます。

第だい6章しょう：過学習かがくしゅうを見みつけ、評価ひょうかを設計せっけいする

• 汎化はんか / generalization：汎化はんかは、学習がくしゅうに使つかわなかったデータにも、モデルが学まなんだ規則きそくを当あてはめられることです。
• 未学習みがくしゅう / underfitting：未学習みがくしゅうは、モデルが単純たんじゅんすぎるなどの理由りゆうで、訓練くんれんデータにも新あたらしいデータにも十分じゅうぶんに合あわない状態じょうたいです。
• 交差検証こうさけんしょう / cross-validation：交差検証こうさけんしょうは、訓練用くんれんようデータの分わけ方かたを変かえて複数回ふくすうかい評価ひょうかし、性能せいのうの変動へんどうを調しらべる方法ほうほうです。
• k分割交差ぶんかつこうさ検証けんしょう / k-fold cross-validation：k分割交差ぶんかつこうさ検証けんしょうは、訓練用くんれんようデータをk個こに分わけ、各回かくかいで一ひとつを評価用ひょうかよう、残のこりを学習用がくしゅうようにして、結果けっかをまとめる方法ほうほうです。
• ハイパーパラメータ / hyperparameter：ハイパーパラメータは、学習がくしゅうを始はじめる前まえに人ひとが設定せっていする、モデルの複雑ふくざつさや学習方法がくしゅうほうほうなどの値あたいです。
• fold / fold：fold（フォールド）は、交差検証こうさけんしょうのために分わけた一組ひとくみです。
• 標準偏差ひょうじゅんへんさ / standard deviation：標準偏差ひょうじゅんへんさは、値あたいが平均へいきんの近ちかくに集あつまるか、広ひろく散ちらばるかを表あらわす数かずです。

第だい7章しょう：似にたデータをまとめる―k平均法へいきんほう

• クラスタ / cluster：クラスタは、選えらんだ特徴量とくちょうりょうと距離きょりのもとで、似にているとされたデータのまとまりです。
• k平均法へいきんほう / k-means：k平均法へいきんほうは、各点かくてんを近ちかい中心ちゅうしんへ割わり当あて、各かくまとまりの平均へいきんに中心ちゅうしんを更新こうしんする操作そうさをくり返かえすクラスタリング方法ほうほうです。
• 中心ちゅうしん / centroid：クラスタの中心ちゅうしんは、そのクラスタに割わり当あてられた点てんの各特徴量かくとくちょうりょうの平均へいきんで表あらわす位置いちです。
• 初期値しょきち / initialization：初期値しょきちは、学習がくしゅうや反復計算はんぷくけいさんを始はじめるときに最初さいしょに置おくパラメータや中心ちゅうしんの値あたいです。

第だい8章しょう：ニューラルネットワークと深層学習しんそうがくしゅう

• ニューロン / neuron：ニューロンは、入力にゅうりょくの重おもみ付つき和わにバイアス項こうを加くわえ、活性化かっせいか関数かんすうへ渡わたすニューラルネットワークの計算単位けいさんたんいです。
• 重おもみ / weight：重おもみは、入力値にゅうりょくちをどの程度計算ていどけいさんに反映はんえいするかを決きめる学習対象がくしゅうたいしょうの数かずです。
• バイアス / bias term：バイアスは、入力にゅうりょくの重おもみ付つき和わに加くわえる学習対象がくしゅうたいしょうの数かずです。
• 活性化かっせいか関数かんすう / activation function：活性化かっせいか関数かんすうは、ニューロンの計算結果けいさんけっかを次つぎの層そうへ渡わたす前まえに変換へんかんする関数かんすうです。
• ReLU / rectified linear unit：ReLUは、0とzの大おおきい方ほうを出力しゅつりょくする活性化かっせいか関数かんすうです。
• 損失関数そんしつかんすう / loss function：損失関数そんしつかんすうは、予測よそくと正解せいかいのずれを数値すうちで表あらわし、学習中がくしゅうちゅうに小ちいさくする対象たいしょうとなる関数かんすうです。
• 学習率がくしゅうりつ / learning rate：学習率がくしゅうりつは、一回いちかいの更新こうしんでパラメータをどのくらい動うごかすかを決きめる値あたいです。
• 勾配こうばい / gradient：勾配こうばいは、パラメータを変かえたときの損失そんしつの変化へんかを表あらわす値あたいです。

第だい9章しょう：生成せいせいAIの入口いりぐちと責任せきにんある利用りよう

• 生成せいせいAI / generative AI：文章ぶんしょう、画像がぞう、音声おんせいなどを、指示しじに合あわせて新あたらしく作つくる AI です。
• トークン / token：トークンは、言語げんごモデルが文章ぶんしょうを処理しょりするときに分わけて扱あつかう単位たんいです。
• 基盤きばんモデル / foundation model：基盤きばんモデルは、幅広はばひろい大量たいりょうのデータから学まなび、さまざまな目的もくてきに応用おうようできるモデルです。生成せいせいAIの土台どだいにも使つかわれます。
• 大規模だいきぼ言語げんごモデル / large language model (LLM)：大規模だいきぼ言語げんごモデルは、大量たいりょうの言語げんごデータから学まなぶ大規模だいきぼなモデルです。本書ほんしょでは、入力にゅうりょくに続つづくトークンを予測よそくして文章ぶんしょうを作つくる種類しゅるいを取とり上あげます。
• 幻覚げんかく / hallucination：幻覚げんかくは、生成せいせいAIがもっともらしく見みえるが、事実じじつと異ことなる内容ないようを出だすことがある現象げんしょうです。
• 偏かたより / bias (data/model)：偏かたよりは、データの集あつめ方かたやモデルの利用条件りようじょうけんに特定とくていの傾向けいこうが入はいり、集団しゅうだんや状況じょうきょうによって結果けっかが異ことなることがある状態じょうたいです。
• 説明可能せつめいかのう性せい / explainability：説明可能せつめいかのう性せいは、モデルの出力しゅつりょくや関係かんけいする要素ようそを、人ひとが理解りかいできる形かたちで示しめせる程度ていどです。すべてのモデルの内部理由ないぶりゆうを完全かんぜんに説明せつめいできるとは限かぎりません。
• 個人情報こじんじょうほう / personal information：個人情報こじんじょうほうは、生いきている人ひとを見分みわける情報じょうほうです。名前なまえ、顔写真かおしゃしん、住所じゅうしょ、メールアドレスなどが例れいです。法律ほうりつでは、特定とくていの個人こじんを識別しきべつできる情報じょうほう（他たの情報じょうほうと容易よういに照合しょうごうして識別しきべつできるものを含ふくむ）や、個人識別こじんしきべつ符号ふごうを含ふくむ情報じょうほうが対象たいしょうです。
• 著作権ちょさくけん / copyright：著作物ちょさくぶつを作つくった人ひとが持もつ、その作品さくひんの使つかい方かたを決きめる権利けんりです。作つくったときに生うまれ、登録とうろくは要いりません。

第だい10章しょう：小ちいさな予測よそくプロジェクト

• 基準きじゅんモデル / baseline model：基準きじゅんモデルは、複雑ふくざつなモデルと比くらべるために、単純たんじゅんな予測規則よそくきそくで作つくる比較ひかくの基準きじゅんです。
• 再現性さいげんせい / reproducibility：再現性さいげんせいは、データ・コード・設定せってい・乱数らんすうの条件じょうけんを記録きろくし、同おなじ手順てじゅんで結果けっかを確たしかめられる性質せいしつです。
• 限界げんかい / limitation：モデルの限界げんかいは、評価ひょうかされていない条件じょうけんや対象たいしょう、入力にゅうりょくの変化へんかなど、結果けっかを当あてはめられる範囲はんいの外側そとがわです。