Azure Machine Learning デザイナーの機械学習アルゴリズム チート シートMachine Learning Algorithm Cheat Sheet for Azure Machine Learning designer

Azure Machine Learning アルゴリズム チート シートを使用すると、デザイナーから予測分析モデルに最適なアルゴリズムを選択できます。The Azure Machine Learning Algorithm Cheat Sheet helps you choose the right algorithm from the designer for a predictive analytics model.

Azure Machine Learning には、分類レコメンダー システムクラスタリング異常検出回帰テキスト分析の各ファミリのアルゴリズムの大きなライブラリが用意されています。Azure Machine Learning has a large library of algorithms from the classification, recommender systems, clustering, anomaly detection, regression, and text analytics families. 各アルゴリズムは、異なる種類の機械学習の問題に対処するために設計されています。Each is designed to address a different type of machine learning problem.

その他のガイダンスについては、アルゴリズムの選択方法に関する記事を参照してください。For additional guidance, see How to select algorithms

ダウンロード:機械学習アルゴリズム チート シートDownload: Machine Learning Algorithm Cheat Sheet

チート シートをダウンロードする: 機械学習アルゴリズム チート シート (11 x 17 in.)Download the cheat sheet here: Machine Learning Algorithm Cheat Sheet (11x17 in.)

機械学習アルゴリズム チート シート: 機械学習アルゴリズムの選択方法について説明します。

Machine Learning アルゴリズム チート シートをダウンロードし、タブロイド サイズで印刷すると、手元に保管しやすくなり、アルゴリズムを選択するときに役立ちます。Download and print the Machine Learning Algorithm Cheat Sheet in tabloid size to keep it handy and get help choosing an algorithm.

機械学習アルゴリズム チート シートの使用方法How to use the Machine Learning Algorithm Cheat Sheet

このアルゴリズム チート シートに示した提案は経験則です。The suggestions offered in this algorithm cheat sheet are approximate rules-of-thumb. 変化する場合や著しく異なる場合があります。Some can be bent, and some can be flagrantly violated. このチート シートは、出発点を提案することを目的としています。This cheat sheet is intended to suggest a starting point. データに使用した複数のアルゴリズム間で競合が発生しても心配しないでください。Don’t be afraid to run a head-to-head competition between several algorithms on your data. それぞれのアルゴリズムの原則と、データが生成されたシステムを理解することに代わるものはありません。There is simply no substitute for understanding the principles of each algorithm and the system that generated your data.

すべての機械学習アルゴリズムには、独自のスタイルや帰納的バイアスがあります。Every machine learning algorithm has its own style or inductive bias. 特定の問題に対しては、複数のアルゴリズムが適切な場合や、1 つのアルゴリズムが他のアルゴリズムよりも適している場合があります。For a specific problem, several algorithms may be appropriate, and one algorithm may be a better fit than others. しかし、事前にどれが最適かを知ることができるとは限りません。But it's not always possible to know beforehand which is the best fit. このような場合は、複数のアルゴリズムがチート シートに一緒に記載されています。In cases like these, several algorithms are listed together in the cheat sheet. 1 つのアルゴリズムを試してみて、結果に満足できない場合は、他のアルゴリズムを試してみるのが適切な方策でしょう。An appropriate strategy would be to try one algorithm, and if the results are not yet satisfactory, try the others.

Azure Machine Learning デザイナーのアルゴリズムの詳細については、アルゴリズムとモジュールのリファレンスに関する記事を参照してください。To learn more about the algorithms in Azure Machine Learning designer, go to the Algorithm and module reference.

機械学習の種類Kinds of machine learning

機械学習には、主に 3 つのカテゴリ (教師あり学習教師なし学習強化学習) があります。There are three main categories of machine learning: supervised learning, unsupervised learning, and reinforcement learning.

教師あり学習Supervised learning

教師あり学習では、各データ ポイントに、カテゴリや関心のある値がラベル付けまたは関連付けられています。In supervised learning, each data point is labeled or associated with a category or value of interest. カテゴリのラベルには、たとえば '猫' または '犬' のいずれかの画像を割り当てています。An example of a categorical label is assigning an image as either a ‘cat’ or a ‘dog’. 値のラベルの例は、中古車に関連付けられている販売価格です。An example of a value label is the sale price associated with a used car. 教師あり学習の目的は、このような多くのラベルの付いた例を学習し、将来のデータ ポイントを予測して、The goal of supervised learning is to study many labeled examples like these, and then to be able to make predictions about future data points. たとえば、新しい写真の動物を正しく識別したり、他の中古車に正しい販売価格を割り当てることができるようになることです。For example, identifying new photos with the correct animal or assigning accurate sale prices to other used cars. これは、人気のある便利な機械学習の種類です。This is a popular and useful type of machine learning.

教師なし学習Unsupervised learning

教師なし学習では、データ ポイントにラベルが関連付けられていません。In unsupervised learning, data points have no labels associated with them. 代わりに、教師なし学習アルゴリズムの目的は、いくつかの方法でデータを整理したり、その構造を記述することです。Instead, the goal of an unsupervised learning algorithm is to organize the data in some way or to describe its structure. 教師なし学習を使うと、K-means と同様にデータをクラスターにグループ化することができます。また、複雑なデータをより単純に見えるようにするさまざまな方法が見つかります。Unsupervised learning groups data into clusters, as K-means does, or finds different ways of looking at complex data so that it appears simpler.

強化学習Reinforcement learning

強化学習では、アルゴリズムが各データ ポイントに応答してアクションを選択します。In reinforcement learning, the algorithm gets to choose an action in response to each data point. これはロボット工学の一般的な手法です。ある時点での一連のセンサーの読み取りがデータ ポイントになり、アルゴリズムがロボットの次の動作を選択します。It is a common approach in robotics, where the set of sensor readings at one point in time is a data point, and the algorithm must choose the robot’s next action. モノのインターネット アプリケーションにも自然に適合します。It's also a natural fit for Internet of Things applications. また、学習アルゴリズムはその決定がどの程度優れていたかを示す報酬信号をその後短時間で受信します。The learning algorithm also receives a reward signal a short time later, indicating how good the decision was. このアルゴリズムでは、この信号を基に戦略を変更し、最大の報酬を実現しようとします。Based on this signal, the algorithm modifies its strategy in order to achieve the highest reward.

次のステップNext steps