機械学習

ウィキペディア小見出し辞書

機械学習

出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2022/03/26 00:11 UTC 版)

「データ圧縮」の記事における「機械学習」の解説

「機械学習」も参照 機械学習と圧縮の間には密接な関係がある。ある系列の完全な履歴を入力として事後確率を予測するシステムは（出力分布に対して算術符号を使用することで）最適なデータ圧縮に利用でき、一方最適な圧縮器は（履歴から最もうまく圧縮するシンボルを見つけることで）予測に利用できる。この等価性を利用して、データ圧縮は「一般知能」(general intelligence) を評価するベンチマークとして使われてきた。

機械学習

出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2022/06/05 03:22 UTC 版)

「コンピュータ将棋」の記事における「機械学習」の解説

かつては、手作業で評価関数が作られていたが、Bonanzaの開発者保木邦仁は、機械学習によって評価関数を作成した。これによりこれまでの他のソフトが見落としていた（あるいは開発者が軽視していた）指し手に高い評価を与えることが可能となった。この「評価関数のパラメータの自動生成」は「ボナンザ・メソッド」と呼ばれ、コンピュータ将棋史上最大のブレイクスルーの一つと見なされている。 2009年に開催された第19回世界コンピュータ将棋選手権では、決勝に進出した8ソフトの内、シードの激指とYSSを除く6ソフトが「ボナンザ・メソッド」を採用した。この結果、激指は2勝5敗、YSSは1勝6敗と惨敗し、翌年の選手権では「ボナンザ・メソッド」を採用した。 機械学習には、過去のプロ棋士の対戦棋譜からの教師あり学習と自己対戦による強化学習がありえるが、2015年頃まではプロ棋士の棋譜を用いた教師あり学習が主流であった。教師あり学習の場合、プロ棋士の手を再現するというのが機械学習のテーマとなる。ミスの少なさ、読み手数の長さでプロ棋士を超えようとしている。教師あり学習の欠点として、入玉模様など過去のプロ棋士の対戦棋譜にあまり出てこないパターンが弱くなる問題がある。 かつてはプロ棋士の対戦棋譜が学習用教材として用いられていたが、自己対戦棋譜による強化に成功したNineDayFeverの登場以降、コンピュータ同士の対戦棋譜が重視されるようになっている。2016年以降はプロ棋士の棋譜を使わず、自ら棋譜を生成し数億～数十億局面から浅い探索での評価値を深い探索での評価値に近づけるように学習するNineDayFeverの強化学習が一般的になり、入玉の評価も大幅に改善された。

機械学習

出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2021/09/18 06:54 UTC 版)

「indiexpo」の記事における「機械学習」の解説

indiexpoはプレイヤーの評価やコメントなどの活動に基づいて、個人に合わせたゲームをおすすめする機能があります。 インディーパッド 2017年にはindiepadというタイトルのAndroidアプリがリリースされ、スマートフォンをゲームパッドとして使って、indiexpoで公開されているゲームをプレーできるようになりました。これにより、Constructコミュニティーで多くの支持を得ました。 このシステムの特徴は、開発者にとっての実装の単純さです。実際にはゲームを修正する必要はありません。ゲームをサイトにアップロードするときにこの機能を有効に設定するだけです。 ローカルのマルチプレイヤーセッションに表示され、最大4人の同時プレーが楽しめます。

機械学習

出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2022/05/16 10:21 UTC 版)

「ニワトリのヒナの雌雄鑑別」の記事における「機械学習」の解説

機械学習によって鑑別する手法が開発中だが、まだ精度が不十分で実用化には至っていない。

機械学習

出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2019/12/01 22:34 UTC 版)

「過剰適合」の記事における「機械学習」の解説

機械学習の分野では過学習（overtraining）とも呼ばれる。過剰適合の概念は機械学習でも重要である。通常、学習アルゴリズムは一連の訓練データを使って訓練される。つまり、典型的な入力データとその際の既知の出力結果を与える。学習者はそれによって、訓練データでは示されなかった他の例についても正しい出力を返すことができるようになると期待される。しかし、学習期間が長すぎたり、訓練データが典型的なものでなかった場合、学習者は訓練データの特定のランダムな（本来学習させたい特徴とは無関係な）特徴にまで適合してしまう。このような過剰適合の過程では、訓練データについての性能は向上するが、それ以外のデータでは逆に結果が悪くなる。