research 『音による故障予知の教科書たたき台：7.1 機械学習とAIの違い』LLMと一緒に書いてみた—AIが導く研究メモ 7. 機械学習の基本 7.1 機械学習とAIの違い まず大づかみに位置づけを整理する。人工知能（AI）は「コンピュータに、人の知的なふるまいをさせるための広い技術・仕組みの総称」であり、その中に機械学習（Machine Learning, ML）という“学びの方法”が含まれる、という関係になっている。言い換えると、機械... 2025年8月28日
research 『音による故障予知の教科書たたき台：7.2 教師あり／教師なしの概要』LLMと一緒に書いてみた—AIが導く研究メモ 7. 機械学習の基本 7.2 教師あり／教師なしの概要 機械学習には大きく二つの学び方がある。ひとつは正解つきの例から規則を学ぶ「教師あり学習」、もうひとつは正解なしのデータから形やまとまりを見つける「教師なし学習」である。前者は「入力→答え」の対応関係をデータから推定して未知データの予測に使う発想で、後者は「似たもの... 2025年8月28日
research 『音による故障予知の教科書たたき台：7.3 アルゴリズム例（決定木、SVM等）』LLMと一緒に書いてみた—AIが導く研究メモ 7. 機械学習の基本 7.3 アルゴリズム例（決定木、SVM等） ここでは、実務で広く使われる代表的な学習アルゴリズムを、考え方がつかみやすい順に紹介する。まずは「分岐のルールを木にしたモデル」である決定木、次に「境界線（面）でクラスを分ける」SVM（サポートベクターマシン）、そして決定木をたくさん束ねて精度と安定性を... 2025年8月28日
research 『音による故障予知の教科書たたき台：7.4 ニューラルネットワークの基礎構造』LLMと一緒に書いてみた—AIが導く研究メモ 7. 機械学習の基本 7.4 ニューラルネットワークの基礎構造 ニューラルネットワークは、数字の列や画像、音などのデータを入力として受け取り、いくつかの計算の段階（層）を通して最終的な答えを出力する仕組みである。構造は大きく「入力層」「隠れ層（中間層）」「出力層」の3種類の層から成り、層の中には多数の「ノード（ニューロ... 2025年8月28日
research 『音による故障予知の教科書たたき台：7.5 過学習と汎化性能』LLMと一緒に書いてみた—AIが導く研究メモ 7. 機械学習の基本 7.5 過学習と汎化性能 機械学習の目標は、「見たことがないデータ」に対しても安定して良い予測ができることにある。この力を汎化性能と呼ぶ。一方、学習に使ったデータにだけ極端に強くなり、未知データでは急に成績が悪くなることがある。これが過学習である。過学習は、訓練データの偶然の癖やノイズまで“暗記”... 2025年8月28日
research 『音による故障予知の教科書たたき台：7.6 評価指標（精度、再現率、F値、AUC）』LLMと一緒に書いてみた—AIが導く研究メモ 7. 機械学習の基本 7.6 評価指標（精度、再現率、F値、AUC） 分類モデルの良し悪しを判断するには、何をどの程度うまく当てているかを数字で示す評価指標が必要になる。代表的なのが「精度（Precision）」「再現率（Recall）」「F値（F1スコア）」「AUC（曲線下面積）」で、互いに補い合う関係にある。まず直... 2025年8月28日
research 『音による故障予知の教科書たたき台：7.7 モデル構築から評価までの流れ』LLMと一緒に書いてみた—AIが導く研究メモ 7. 機械学習の基本 7.7 モデル構築から評価までの流れ 機械学習の成否は、思いつきでモデルを作るか、手順に沿って丁寧に進めるかで大きく変わる。ここでは、現場で実際に機能するモデルを作るための一連の流れを、順を追ってわかりやすく説明する。流れの骨格は、目的の整理→データ理解→前処理・特徴量設計→学習と検証→最終評価→... 2025年8月28日
research 『音による故障予知の教科書たたき台：7.8 学習に必要なデータ量とデータ拡張』LLMと一緒に書いてみた—AIが導く研究メモ 7. 機械学習の基本 7.8 学習に必要なデータ量とデータ拡張 最初に押さえたいのは、「どれくらいのデータが必要か」に絶対の正解はない、という事実である。必要量は、扱う課題（分類か回帰か）、モデルの複雑さ（パラメータ数や層の深さ）、特徴量の数、データの質（ノイズやばらつき）、許容できる誤差などで変わる。現場で出発点にし... 2025年8月28日
