Mímisbrunnr知恵の泉

machine learning // 統計の応用

機械学習

古典的機械学習から深層学習・生成モデル・強化学習・LLMまでを、12の概念ドメイン（Phase）で体系化した全87ノート。各トピックのレベル（基礎／標準／発展）は本文のバッジで示しています。数理的な土台は統計検定サイトへ相互リンクしています。

なぜ学ぶのか

  • データから自動でパターンを学ぶ。ルールを人が書く代わりに、例から規則を獲得させられます。
  • 予測・分類・生成ができる。需要予測・画像認識・文章生成など現代の応用の中心です。
  • AI の土台になる。深層学習・生成AI・LLM はすべて機械学習の延長線上にあります。

こんな場面で役立つ

  • レコメンド行動履歴から次に好むものを予測する。
  • 画像・音声認識深層学習で知覚タスクを解く。
  • 異常検知正常パターンからの外れを自動で検出する。
  • 生成AI文章・画像・コードを生成する（LLM・拡散モデル）。

古典的機械学習から深層学習・生成モデル・強化学習・LLMまでを12の概念ドメインで全87ノートに体系化しました。各トピックのレベル（基礎／標準／発展）はバッジ表示。数理の土台は統計検定、不確実性の扱いはベイズ統計へ相互リンクしています。

カリキュラム（全12ドメイン）

目次・インデックス

Phase 1 ── 機械学習の基礎枠組み

Phase 2 ── 教師あり学習：回帰

Phase 3 ── 教師あり学習：分類

Phase 4 ── アンサンブル学習

Phase 5 ── 教師なし学習

Phase 6 ── 最適化と学習理論

Phase 7 ── ニューラルネットワーク基礎

Phase 8 ── 深層学習アーキテクチャ

Phase 9 ── 生成モデル

Phase 10 ── 強化学習

Phase 11 ── 実践・MLOps

Phase 12 ── 大規模言語モデル（LLM）