Watson Studio
SPSS Statistics
教師あり学習では、トレーニング・セットを使用して、望ましい出力を得るためにモデルを教育します。 このトレーニング・データセットには、入力と正しい出力が含まれており、これによってモデルは時間をかけて学習していきます。 このアルゴリズムは、損失関数によって精度を測定し、誤差が最小限に抑えられるまで調整します。
教師あり学習は、データ・マイニングの際に、分類および回帰の2つのタイプの問題に分けられます。
教師あり機械学習プロセスでは、さまざまなアルゴリズムと計算手法が使用されています。 ここでは、RやPythonなどのプログラムを使って計算が行われることが多い、最も一般的な学習方法について簡単にご説明します。
教師なし機械学習 と教師あり学習は、通常一緒にまとめて議論されます。 教師あり学習とは異なり、教師なし学習はラベルなしデータを使用します。 そのデータから、クラスタリングや関連付けの問題を解決するためのパターンを発見します。 この機能は、データ・セット内の共通の属性が不明な場合に特に有効です。 一般的なクラスタリング。アルゴリズムには、階層的手法、k平均法、ガウス混合モデルがあります。
半教師あり学習は、与えられた入力データの一部にしかラベルが付けられていない場合に行われます。 教師あり学習では、データを適切にラベル付けするためにドメインの専門知識に頼ることから時間とコストがかかるため、教師なし学習や半教師あり学習が、より魅力的な選択肢となります。
これらのアプローチの違いを詳しく知りたい方は、「教師あり学習と教師なし学習の違いとは(Supervised vs. Unsupervised Learning: What's the Difference?)」
をご覧ください。教師あり学習モデルは、以下のような数多くのビジネス・アプリケーションの構築や進化に利用できます。
教師あり学習には、データによる深い洞察や自動化の向上など、ビジネス上のメリットをもたらしますが、持続可能な教師あり学習を構築するにはいくつかの課題があります。 その課題のいくつかを以下に挙げます。
信頼性の高いAIを、任意のクラウド上で構築して拡大します。 そして、ModelOps用のAIライフサイクルを自動化します。
適切なデータを、適切なタイミングで、適切な人に、どこでもつなげることができます。
ハイブリッド。 オープン。 レジリエント。 デジタル・トランスフォーメーションのためのお客様のプラットフォームであり、パートナーでもあります。